基础

• 高等数学
• 线性代数（向量空间的变换思想）
• 概率与数理统计（期望，方差）
• Python:numpy
• 神经网络

强化学习

RL主要分为两部分：

agent智能体
environment环境
通过这两部分的交互产生经验，主要有三要素：

state状态
action动作
reward奖励
智能体根据环境state来执行动作，并且根据环境的反馈得到reward来指导更好的动作。

两种学习方法
基于价值
基于策略

基于价值的方法，当训练到一定程度，价值基本固定，输出的动作只会走到价值高的地方输出是固定的。
基于策略因为是输出的动作的概率，每次都要机会选择左右动作，因此最后的动作不是唯一固定的。

算法分类

乌龟环境首先本地下载PARL：

git clone git@github.com:PaddlePaddle/PARL.git

用pycharm打开PARL的工程

进到第一节课的文件下：

cd D:\py_code\PARL\examples\tutorials\lesson1

在pycharm的终端输入python进入交互式编程：

python

然后在终端输入下面命令：

import gym
from gridworld import CliffWalkingWapper

env = gym.make("CliffWalking-v0") #创建悬崖环境
env = CliffWalkingWapper(env) #产生可视化界面
env.reset() #初始化
env.render()

乌龟通过0123上下左右的移动：

env.step(0)
env.render()

完整的乌龟探索走到终点的代码：

import gym
from gridworld import CliffWalkingWapper
import numpy as np

env = gym.make("CliffWalking-v0") #创建悬崖环境
env = CliffWalkingWapper(env) #产生可视化界面
obs = env.reset() #初始化
while True:
    action = np.random.randint(0,4)
    obs,reward,done,info = env.step(action)
    env.render()
    if done:
        break