课程内容 简介 强化学习算法 几种强化学习方法的比较 简介 Part ♡1 MDPS POMDPS（部分可观测） Part ♡2 其中θ是策π略的参数，强化学习为了使得在当前状态st和当前选择的行为at的情况下的条件概率最大，则需要使得策略π最大，那么需要找到使得π最大的θ。 有限时间情况下 无限时间情况下 所以，在无限和有限的情况下的参数优化方式： Part ♡3 强化学习关系期望！ 奖励函数r(x)是非平滑的，在策略π下的奖励函数的期望是平滑的！这就是可以进行梯度下降优化的原因