Q-學習導論

在本課程的第一單元中，我們學習了強化學習（RL）、RL 過程以及解決 RL 問題的不同方法。我們還訓練了我們的第一個智慧體並將它們上傳到 Hugging Face Hub。

在本單元中，我們將深入探討一種強化學習方法：基於價值的方法，並學習我們的第一個 RL 演算法：Q-學習。

我們還將從頭開始實現我們的第一個 RL 智慧體，一個 Q-學習智慧體，並將在兩個環境中訓練它

1. Frozen-Lake-v1（無滑倒版本）：我們的智慧體將需要從起始狀態（S）到達目標狀態（G），只能在冰凍的瓷磚（F）上行走，並避開洞（H）。
2. 一輛自動駕駛出租車：我們的智慧體將需要學習導航城市，以將乘客從 A 點運送到 B 點。

具體來說，我們將

• 學習基於價值的方法。
• 學習蒙特卡洛和時序差分學習之間的區別。
• 研究並實現我們的第一個 RL 演算法：Q-學習。

如果你想在深度 Q-學習上工作，本單元至關重要：深度 Q-學習是第一個玩 Atari 遊戲並在其中一些遊戲（如打磚塊、太空侵略者等）中超越人類水平的深度 RL 演算法。

那麼，我們開始吧！🚀

< > 在 GitHub 上更新