增強式學習(Reinforcement Learning, RL)🤖

RL的核心概念是agent跟environment之間的互動過程。具體來說，environment會提供一個state給agent當作input，agent在接收到這個state之後會產生一個action作為output傳送給environment，environment根據這個action回傳一個reward給agent，告訴agent這個action是好還是壞(不一定是binary的reward，也有可能是數值權重)，RL的目標是通過這樣的互動過程，找到一個function使得total reward最大化。

實際應用👾

• 機器人控制
• 自動駕駛
• AlphaGo

這邊再舉一個比較可惡的例子，如果讀者們有玩過槍戰類遊戲(CS)或是MOBA game (LOL)，你會發現有些玩家用狙擊槍總是彈無虛發(槍戰類的外掛也有可能是跟電腦視覺有關)，又或是我的QWER永遠都空招(這裡排除個人技術問題哈哈)對手走位跟鬼一樣，大招每次都能命中我，這類的「外掛」很有可能就是用RL來開發的😡(請大家當個善良的玩家，不要去研發什麼奇怪的外掛破壞遊戲體驗🙏)。

常見的增強式學習演算法 ⚙️

1. Q-Learning

• 原理：透過在每個state下選擇最佳action來最大化reward的期望值，這是透過反覆更新Q-learning algorithm，使得每個state-action pair有最佳的Q值。

2. Deep Q-Network(DQN)

• 原理：結合神經網路和Q-Learning來計算Q值，特別適用用於高維度的狀態空間(如：影像資料)。

題外話 😂

今天是七夕，很開心牛郎跟織女終於相見歡，也㊗️有伴的讀者們在往後與伴侶相愛相殺的日子中，一起進步、一起成長，沒有伴的讀者們也沒關係，我們主打一個寧缺勿濫，不要為了交往而交往，希望有情人必需要終成眷屬。

要是問我感情問題，一律一字訣：「」

參考資料 💯

【機器學習2021】概述增強式學習 (Reinforcement Learning, RL) (一) – 增強式學習跟機器學習一樣都是三個步驟