写在前面的话：从今日起，我会边跟着硅谷大牛Siraj的MOVE 37系列课程学习Reinforcement Learning(强化学习算法)，边更新这个系列。课程包含视频和文字，课堂笔记会按视频为单位进行整理。
课程表地址：https://github.com/llSourcell/Move_37_Syllabus
带字幕课程视频地址：https://www.bilibili.com/video/av31518766
本课作为导论，大致普及了一下机器学习和强化学习的概念和用途。其次，捎带介绍了一下最常见的监督学习和非监督学习。对机器学习稍有了解的同学们，对这两个概念应该不陌生。如果对此毫无概念的同学们，可以看我下面的简单说明。
机器学习（Machine Learning)
首先，我们要明白，所谓的机器学习就是试图找出输入输出量之间的一个固定关系，以期对以后所有的输入量都能相应地去预测一个输出量。用数学语言来说，就是从一堆已知的x和y之间找出映射f。打个比方，如果我们发现每次穿裙子(x)就一定会下雨(y)，那么这个因果关系就是f；由此，我们就可以根据f这个关系，也就是某天穿没穿裙子，来推断会不会下雨。
监督学习 (Supervised Learning)
这里举一个水果分类的例子。这里机器学习算法所要完成的工作，就是要得到水果和水果名称之间的关系。
第一步是训练算法，第二步是用测试数据来检验算法的完善度。图中可以看到，这里训练算法时输入的数据是预先分过类的（即打过标签的），所以事先需要人工参与，把未分类的原始数据进行分类。此即是“监督”二字的要义所在，需要人工“监督”才能完成算法的训练。
非监督学习 (Unsupervised Learning)
同样是以水果举例。
同样分为两步，区别在于，这里输入的数据是未分类过的（也未打标签）。机器学习算法需要自己完成分类的工作，并从中找出数据中的模式（往往是我们无法解释和说明的）。非监督学习通常可以用于聚类——识别各个类别之下数据的相似性并由此分类，也可以用于异常识别——例如排除数据集中的异常值（视频中的例子是欺诈性交易）。
这里，一句话总结：监督学习适用于事后对数据阐释性分析和对未来的预测，非监督学习则更适合发现数据的内在规律和结构。
然而，实际情况中的影响因素往往更复杂，要解决的问题也往往不止是确定既有的固定关系。有时，需要我们在没有训练数据的情况根据实际情况去不断优化策略（有点类似于我们人类的熟能生巧）。因此，这里引进了另一个概念：“强化学习”。
强化学习 (Reinforcement Learning)
这里以选择最优运输路线为例。
可知影响运输结果的因素有很多，包括天气、道路拥堵、交通工具、食品保存等等。同时，我们也没有先验数据来训练算法和检验算法的优越性。那么这里的强化学习算法，就引入了一个新的维度：时间，来帮助我们在实际情况中通过不断迭代来优化算法。
强化学习算法可以说是介于监督算法和非监督算法之间。它既不像非监督算法一样完全不使用标签，也不像监督算法一样预先打好标签，这里的标签是延时（delayed）打上的。就像图中所标出的那样，每个环节的标签T（也可以称为反馈）由下一个环节来标记。
我个人的理解是，所谓的强化学习算法的核心，就是一个环环相扣的负反馈系统。学过生物的同学大概能理解的意思，生物内部环境的稳态就是通过负反馈机制来实现的。
而当模式识别网络（神经网络）和基于强化学习框架的实时环境结合在一起，就是所谓深度强化学习。我的理解是，和非监督学习算法类似，前者相当于Step1的模式识别部分，而后者相当于Step2——不断提供反馈来优化算法。
至于这一算法有多牛逼嘛，看阿尔法狗就知道了。
-----------------------------------------------------
介绍完这些基本概念后，下面就进入正题了。有一些数学知识必须了解。
马尔科夫链 (Markov Chain)
对于强化学习来说，马尔科夫链是个很重要的概念。正是基于这个概念，才发展出算法和外界之间沟通和反馈的方式。
马尔科夫链究竟是什么呢？简单来说，就是用来描述一连串相互关联的事件（状态）的一种抽象模型。其中每个事件（状态）已经发生的前提下，接着会发生哪个事件（切换到哪个状态）的概率分布是已知的。
好吧，如果概率统计里没学过这一课的同学，估计此时已经百分百晕了。拿现实中的例子来举例，就比方说，天气预报吧。首先我们假定只有两种天气：晴天和雨天，并且前一天下雨后第二天放晴的概率是0.2，继续下雨的概率是0.8；前一天晴天第二天下雨的概率是0.4，继续放晴是0.6。那么，根据今天的天气，我们是不是能把未来七天每天放晴和下雨的概率都算出来了？OK，这未来七天的天气状态，就是一条简单的马尔科夫链。
必须注意两点，一、我们计算出来的只是概率分布，依旧无法确定给出每天的天气；二、每天的天气概率情况只取决于前一天的天气。
现在可以结合一下视频里的示意图来看了，这里的转移矩阵（Transition Matrix）给出了状态间互相转移的概率分布，右下角则展示了每多走一步后我们来到A、B、C三个节点的可能性。
马尔科夫决策过程（Markov Decision Process）
马尔科夫决策过程是马尔科夫链的扩展，在原基础上加入了行动（Action）和奖励/反馈（Reward）。相应的转移矩阵也产生了变化，下一个状态的概率分布 不仅取决于上一个状态还取决于采取的行动。而从环境得到的反馈则告诉我们这一步到底是好（正向反馈）还是坏（负向反馈）——所谓趋利避害，下次就可以避免在同一状态下采取同样的行动。那么最终在不断最大化奖励的过程中，我们就获取了最优策略。
关于马尔科夫决策过程的具体阐述
（摘自文章：一文读懂AlphaGo背后的强化学习：它的背景知识与贝尔曼方程的原理）
假定我们知道状态 s，如果未来的状态条件独立于过去的状态，那么状态 s 就具有马尔科夫性质。这意味着s描述了所有过去的状态直到现在的状态。如果这很难理解，那我们就用一个例子来解释，让这个问题显得更简单一点。假设一个球飞过空中，如果它的状态是由它的位置和速度决定，并足以描述它当前的位置和接下来的位置（不考虑物理模型和外界影响）。因此，这一状态就具备马尔科夫性质。但是，如果我们只知道这个球的位置不知道它的速度，它的状态就不再是马尔科夫。因为现在的状态并不是所有以前状态的归纳，我们需要以前的时间点所得到的信息去构建合适的球的模型。
强化学习通常可以建模为一个马尔科夫决策过程，即MDP(Markov Decision Process)。MDP是一个有向图，它有节点和边的状态，可以描述马尔科夫状态之间的转变，下面是一个简单的例子：
一个简单的马尔科夫决策过程
这个MDP展示了学习马尔科夫决策的过程。在最开始你在一个“不理解”的状态中，接下来，你有两个可能的动作，学习或者不学习。如果你选择不学习，则有100%的可能性返回到不理解的状态里。但是，如果你选择学习，只有20%的可能性让你回到最开始的地方，即80%的可能性变成理解的状态。
实际上，我确定转换到理解状态的可能性超过80%，MDP的核心其实很简单，在一个状态你可以采取一系列的动作，在你采取行动之后，这里有一些你能转化去什么状态的分布。在采取不学习动作的例子中，这个转化也能被很好的确定。
强化学习的目标是去学习怎么花更多的时间在更有价值的状态上，为了有一个更有价值的状态，我们需要MDP提供更多的信息。
你不需要一个MDP来告诉自己饿了要吃饭，但是强化学习的机制是需要它的
这个MDP增加了奖励机制，你每转化到一个状态，就会获得一次奖励。在这个例子中，由于接下来状态是饥饿，你会得到一个负面的奖励，如果接下来状态是饿死，那会得到一个更负面的奖励。如果你吃饱了，就会获得一个正面的奖励。现在我们的MDP已经完全成型，我们可以开始思考如何采取行动去获取能获得的最高奖励。
由于这个MDP是十分简单的，我们很容易发现待在一个更高奖励的区域的方式，即当我们饥饿的时候就吃。在这个模型中，当我们处于吃饱状态的时候没有太多其它的选择，但是我们将会不可避免的再次饥饿，然后立马选择进食。强化学习感兴趣的问题其实具有更大更复杂的马尔科夫决策过程，并且在我们开始实际探索前，我们通常不知道这些策略。
OK，以上就是导论课的所有内容。
有理解不当或阐述的错误的地方，还望大牛们不吝指正。
感谢阅读~
