前言
最近一些读者私聊我，说什么是强化学习，那今天就简单的讲一下什么是强化学习。
就拿最近的618来说，在宝贝推荐场景中，阿里巴巴使用了深度强化学习与自适应在线学习，通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝，提高人和商品的配对效率。所以大家看到各种商品都会有那么一种想买的冲动。
先说到机器学习。
机器学习可以大致分为四类：
监督学习
无监督学习
半监督学习
强化学习
监督学习是利用标记了的样本进行学习，无监督学习则是使用未标记的样本进行学习，这两个是我们最常见的。半监督学习则是样本中只有少量带标记的样本，多数样本都未标记，利用这些样本进行学习。强化学习则是很不同的一种学习方式，它没有规则的训练样本和标签，主要通过奖励和惩罚达到学习的目的。
什么是强化学习？
《最强大脑》曾经有个挑战项目叫蜂巢迷宫，挑战者不断尝试不断试错。强化学习做法也类似，它主要包含三个概念：状态、动作和回报。同样是以迷宫为例，智能体所在的位置即是状态，从某个位置向某方向走一步则为动作，比如可以向左向右或向上向下，每走一步会产生回报，比如撞到墙就是负回报，好的动作则会带来正回报。而且不仅要关注当前的回报，还要关注长期的回报，通过不断试错学习到一个长期回报的动作序列。
强化学习是机器学习的主要学习方法之一，智能体从环境到行为的学习，也就是如何在环境中采取一些列行为，才能使得奖励信号函数的值最大，即获得的累积回报最大。
强化学习不同于监督学习，监督学习通过正确结果来指导学习，而强化学习通过环境提供的信号对产生的动作的好坏做一种评价，它必须要靠自身经历进行学习。学习后智能体知道在什么状态下该采取什么行为，学习从环境状态到动作的映射，该映射称为策略。
强化学习的特点：
它是试错学习，因为它没有像监督学习一样的直接指导信息，所以它只能不断去跟环境交互不断试错来获取最佳策略。
它的回报具有延迟性，因为它往往只能在最后一个状态才能给出指导信息，这个问题也让回报的分配更加困难，即在得到正回报或负回报后怎么分配给前面的状态。
强化学习的运用：
比如飞行器的飞行控制。
比如控制机器人的行走。
比如学习怎么玩游戏。
比如学习怎么理财投资。
比如学习怎么下棋。
