強化學習是什麼東西，它好吃嗎？
當然不能(不好意思這裡不是IT美食30天XD)

強化學習能幹嗎？

你可以想像它是個連貫性決策過程，是連貫就會有個開始跟結束(有些例外假如是要用在外太空探測的無人機)，電動遊戲、博弈之類，或機器手臂、無人機... 這些過程都有些目的，目的中間可能又包含無數個小目標，目標還有主要目標、次要目標。但最終我們顯然在心中可描繪出理想畫面，例如玩RPG遊戲目標是要破關、博弈目標是戰勝對手、無人機想安全落地...

話說如果明年如果來寫個alphago戰勝柯潔，標題就可以寫-完爆人類30天XDD

互動角色

剛講的那幾個範例，都是可定義個明確目標，那接著我們就根據目標設計算法～ 不過在這之前，我們必須先來聊聊代理人(Agent)與環境(Environment)，兩者在強化學習裏擔任什麼角色，以及他們怎麼互動的。

Agent

執行代理人，它是演算法的代稱，演算法可能有DQN、DDPG...負責接收環境的資訊(可以想像遊戲畫面或圍棋棋盤)，然後輸出一個執行動作(前、後、跳躍)。

Environment

環境，負責接收動作，然後輸出資訊，資訊包含著下一步的資訊、即時獎勵、結束與否。

補充：即時獎懲在接下來我們都會稱做獎勵或reward，該局結束與否的變數叫terminate。如果teriminate是True，代表結束，有可能是到終點或game over，是一個回合(episode)結束，則新局即將開始。

互動過程

整個互動就是Agent跟Environment交替拉，Agent接收到遊戲畫面然後輸出下步動作，Environment接收到Agent的動作後，會輸出訊息，包括畫面與獎懲值。這邊補充下，獎懲值是由環境制定，例如：

1.我們希望馬力歐跑努力跑向終點，距離終點越近給的獎勵越高。
舉例：假設起點離終點距離=x, 馬力歐離重點距離=y，則我們可以設定：reward = x - y ，越往終點移動得到越高獎勵(這樣模型就會很積極向著終點移動)
2.五子棋，平常不給reward，而是直到5顆一起才給獎勵值。
3.走迷宮遊戲，只要移動就給負的reward(不希望agent在原地滯留太久，趕快找出終點～)。

怎麼去設計獎懲值是case by case，正的獎懲值作為，負的則可以作為懲罰。正負跟值的大小都沒有明確規範，許多都可靠直覺常識再慢慢累積經驗。

結語

希望大家能對agent與environment有個初步認識！你能想像到的遊戲理論上都可以靠強化學習解決～好了我們下一張開始來建置環境，準備些強化學習的前置作業囉！