强化学习（Reinforcement learning | RL）
什么是强化学习？
强化学习是机器学习的一种学习方式，它跟监督学习、无监督学习是对应的。本文将详细介绍强化学习的基本概念、应用场景和主流的强化学习算法及分类。
强化学习并不是某一种特定的算法，而是一类算法的统称。
如果用来做对比的话，他跟监督学习，无监督学习 是类似的，是一种统称的学习方式。
强化学习算法的思路非常简单，以游戏为例，如果在游戏中采取某种策略可以取得较高的得分，那么就进一步「强化」这种策略，以期继续取得较好的结果。这种策略与日常生活中的各种「绩效奖励」非常类似。我们平时也常常用这样的策略来提高自己的游戏水平。
在 Flappy bird 这个游戏中，我们需要简单的点击操作来控制小鸟，躲过各种水管，飞的越远越好，因为飞的越远就能获得更高的积分奖励。
这就是一个典型的强化学习场景：
机器有一个明确的小鸟角色——代理
需要控制小鸟飞的更远——目标
整个游戏过程中需要躲避各种水管——环境
躲避水管的方法是让小鸟用力飞一下——行动
飞的越远，就会获得越多的积分——奖励
你会发现，强化学习和监督学习、无监督学习 最大的不同就是不需要大量的“数据喂养”。而是通过自己不停的尝试来学会某些技能。
强化学习的应用场景
强化学习目前还不够成熟，应用场景也比较局限。最大的应用场景就是游戏了。
游戏
2016年：AlphaGo Master 击败李世石，使用强化学习的 AlphaGo Zero 仅花了40天时间，就击败了自己的前辈 AlphaGo Master。
2019年1月25日：AlphaStar 在《星际争霸2》中以 10：1 击败了人类顶级职业玩家。
2019年4月13日：OpenAI 在《Dota2》的比赛中战胜了人类世界冠军。
机器人
机器人很像强化学习里的「代理」，在机器人领域，强化学习也可以发挥巨大的作用。
其他
强化学习在推荐系统，对话系统，教育培训，广告，金融等领域也有一些应用：
强化学习的主流算法
免模型学习（Model-Free） vs 有模型学习（Model-Based）
在介绍详细算法之前，我们先来了解一下强化学习算法的2大分类。这2个分类的重要差异是：智能体是否能完整了解或学习到所在环境的模型
有模型学习（Model-Based）对环境有提前的认知，可以提前考虑规划，但是缺点是如果模型跟真实世界不一致，那么在实际使用场景下会表现的不好。
免模型学习（Model-Free）放弃了模型学习，在效率上不如前者，但是这种方式更加容易实现，也容易在真实场景下调整到很好的状态。所以免模型学习方法更受欢迎，得到更加广泛的开发和测试。
免模型学习 – 策略优化（Policy Optimization）
这个系列的方法将策略显示表示为： \pi_\theta(a\mid s)，它们直接对性能目标 J(\pi_\theta)。
进行梯度下降进行优化，或者间接地，对性能目标的局部近似函数进行优化。优化基本都是基于 同策略 的，也就是说每一步更新只会用最新的策略执行时采集到的数据。策略优化通常还包括学习出 V_\phi(s)，作为V^\pi(s)的近似，该函数用于确定如何更新策略。
基于策略优化的方法举例：
A2C / A3C, 通过梯度下降直接最大化性能
PPO , 不直接通过最大化性能更新，而是最大化 目标估计 函数，这个函数是目标函数J(\pi_\theta) 的近似估计。
免模型学习 – Q-Learning
这个系列的算法学习最优行动值函数Q^*(s,a)的近似函数： Q_\theta(s,a) 。它们通常使用基于 贝尔曼方程 的目标函数。优化过程属于 异策略 系列，这意味着每次更新可以使用任意时间点的训练数据，不管获取数据时智能体选择如何探索环境。对应的策略是通过Q^*和\pi^*之间的联系得到的。智能体的行动由下面的式子给出：a(s) = \argmax\limits_aQ_\theta(s,a)。
基于 Q-Learning 的方法
DQN, 一个让深度强化学习得到发展的经典方法
以及 C51, 学习关于回报的分布函数，其期望是Q^*
有模型学习 – 纯规划
这种最基础的方法，从来不显示的表示策略，而是纯使用规划技术来选择行动，例如 模型预测控制 (model-predictive control, MPC)。在模型预测控制中，智能体每次观察环境的时候，都会计算得到一个对于当前模型最优的规划，这里的规划指的是未来一个固定时间段内，智能体会采取的所有行动（通过学习值函数，规划算法可能会考虑到超出范围的未来奖励）。智能体先执行规划的第一个行动，然后立即舍弃规划的剩余部分。每次准备和环境进行互动时，它会计算出一个新的规划，从而避免执行小于规划范围的规划给出的行动。
MBMF 在一些深度强化学习的标准基准任务上，基于学习到的环境模型进行模型预测控制。
有模型学习 – Expert Iteration
纯规划的后来之作，使用、学习策略的显示表示形式： \pi_{\theta}(a|s) 。智能体在模型中应用了一种规划算法，类似蒙特卡洛树搜索(Monte Carlo Tree Search)，通过对当前策略进行采样生成规划的候选行为。这种算法得到的行动比策略本身生成的要好，所以相对于策略来说，它是“专家”。随后更新策略，以产生更类似于规划算法输出的行动。
ExIt 算法用这种算法训练深层神经网络来玩 Hex
AlphaZero 这种方法的另一个例子
除了免模型学习和有模型学习的分类外，强化学习还有其他几种分类方式：
基于概率 VS 基于价值
回合更新 VS 单步更新
在线学习 VS 离线学习
详细请查看《强化学习方法汇总 》
百科介绍
百度百科（详情）
强化学习(reinforcement learning)，又称再励学习、评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。
但在传统的机器学习分类中没有提到过强化学习，而在连接主义学习中，把学习算法分为三种类型，即非监督学习(unsupervised learning)、监督学习(supervised leaning)和强化学习。
维基百科（详情）
强化学习（RL）是机器学习的一个领域，涉及软件代理如何在环境中采取行动以最大化一些累积奖励的概念。该问题由于其一般性，在许多其他学科中得到研究，如博弈论，控制理论，运筹学，信息论，基于仿真的优化，多智能体系统，群智能，统计和遗传算法。。在运筹学和控制文献中，强化学习被称为近似动态规划或神经动态规划。
扩展阅读
入门类
【强化学习】从强化学习基础概念开始（2019-6）
「教程」深度学习、强化学习进阶课程（YouTube视频，需要科学上网）
实践类
干货 | 强化学习中，如何从稀疏和不明确的反馈中学习泛化(2019-3-1)
使用Python进行强化学习的编程方法(2019-4-3)
开拓视野类
强化学习在现实世界中的应用（2019-4-3）
谷歌新方法加速深度强化学习的训练过程（2019-3-27）
强化学习遭遇瓶颈！分层RL将成为突破的希望（2019-3-23）
好奇心驱动的强化学习（2018-10）（需要科学上网）
相关资源