在开始探索强化学习的诸多算法之前，我们先来了解一下它所涉及到的具体概念。这些概念将作为基石，一直陪伴着我们的学习之旅。为了能够将这些概念熟记在心，我们这一期做成强化学习概念小卡片，一张一张给大家展示和帮助大家理解。
作者&编辑 | 行健 言有三
1 基础概念怎么学
经常有同学拿到一本书不知道该怎么学习，尤其是涉及到理工科的教材，往往充满了各种新的名词和概念，章节之间有的彼此关联，有的彼此独立。面对这样一本类似于“概念网络”组织起来的书，如何入手更快呢? 我们知道，书籍的写作过程是一章一章完成的，作者在大脑里构建的知识地图，或者说知识网络确是一个完整的整体，作者在开始写书的时候就对整个知识网络有全貌的理解和认识。在这样的一个知识网络里面，会有很多不同的知识节点，作为整个知识体系的节点，来连接构建出整个知识网络的全貌。虽然按部就班的去看书的每一章节，可以让你看到这些节点的具体内容，但是要想把整个书的知识网络熟络于心，那需要额外的努力。俗话说，书读百遍，其义自见。古人也知道，一本书读一遍是不够的。可是面对日益爆炸增长的知识，我们如何快速的掌握作者的知识网络，成了我们有必要学习的“知识提取”方法论。在这里，我们提出，这些知识节点往往来自于概念的独立构建和相互融合的衍生，所以，基于这一点，我们要关注这些位于作者知识网络中的关键节点，一开始就来学习这些基础概念，从而高屋建瓴，打好基础。对这些概念的辨识，需要一定功力，阅读的功力往往从翻开书的那一刻就体现出来了。如果把一本书比作一位老师，目录便是他的骨架，支撑起整本书的灵魂。在目录里，去寻找那些你看不懂，想不清楚的名词，这些名词就是你需要认知的第一份“概念草稿图”的组成。
对于一个领域的知识而言，无非分为上图所示的几个基本方面的内容。知识体系中有哪些是事实（fact）作为依据，有哪些是基于事实进行的分析（analysis）和分析，有哪些作为过程（process）,包含事实本身的过程和分析处理加工事实的过程，有哪些是基于这些事实（fact）和过程（process）进行假设，定义的概念（concept），从而产生推理和结论，最终构建出新的对象( project ) 或者实体（instance），或者新的学科（subject）。在此基础上，当其他人获取和继承到这份知识后，会去创造出价值，这些价值包含创新的idea和情绪思维的体验，更包含艺术(art)层面的，研究(study)层面的，理论(theory)层面的，学术(scholar)层面的，以及个体的成长(growth)和提升方面。同时知识在继承过程中本身也会完成一次新的衍生和增长（growth)。
我们将这些对知识本身的讨论和学习，叫做“元学习”。元学习能够帮助我们入木三分的领会知识精华，将知识荟萃提取成我们的自己的精神感悟和思想认识，而不是记忆中的细枝末节。如果你还在记忆知识，那很多情况，你只能够简单的应用，还达不到对知识进行创造性的衍生和自我独特的见解。当然，我们还是推崇刻苦练习基本功，在继承知识这件事情上，从来没有捷径，只是效率和境界的不同。
接下来，我们对强化学习的概念体系进行结构和认识，将这些知识放进我们的知识框架的背包当中，从而方便我们后期取用、组合、应用、以及产生新的创造，达到学习知识的终极目标。
2 强化学习的基础概念
(1) 系统
什么是系统？系统是一个抽象定义。它所对应的具体实体可以是任何组成的物质存在。强调物质存在是系统存在的必要前提。系统大到星系宇宙，小到细胞、分子、原子。我们对所研究的对象作出边界定义后，就构成了系统。
(2) 环境
环境是排除系统研究实体或研究变量之外的部分。在强化学习中，环境指排除智能体之外的所有组成。
(3) 智能体
智能体是强化学习中的主要研究对象，我们希望智能体能够通过环境的检验来实现系统的目标。
(4) 交互
交互专指智能体与环境的交互。目前强化学习中的研究中，多数系统与外部没有直接交互。在一些游戏战中，人类玩家可以看作一个外部系统和环境进行交互，联合智能体一起对环境进行探索。可以认为人类玩家是系统外部角色，不过在改变和影响系统本身方面，人类玩家和智能体是一样的。这一点，你可以理解为在系统之外“没有上帝存在”。
(5) 动作
动作指智能体和环境产生交互的所有行为的集合。
(6) 状态
状态指智能体当前的所处的环境情况，自身历史状态情况，以及目标完成情况。这里目标是指系统在开始构建之初，为智能体所定义的目标。
(7) 策略
策略是说智能体在允许的动作集合中，通过对动作进行组合，先后使用次序的调整，从而探索出不同的使用动作组合和次序来实现目标。换言之，如何从当前的状态，通过动作，转换到最佳的下一个状态。
(8) 试错
试错是早期强化学习的主要方向。通过试错来探索最优策略。目前强化学习研究的方向转为奖励函数的优化。
(9) 记忆
智能体对过往经验的总结归纳和采用的方式。
(10) 奖励
获得环境正反馈后，智能体获得环境中设计的奖励，另外，还有一种奖励就是对环境本身的适应和开发。
(11) 价值函数
如何做才能最大化奖励。价值函数始终是约束最优策略的产生和策略探索的方式。
(12) 探索
去尝试找到不同策略下的奖励的过程。
(13) 应用
利用已有的探索成果来和环境交互。
(14) 马尔科夫决策过程
马尔科夫决策过程是包含动作，转换函数，奖励的过程。
在有了这些基础概念之后，我们需要对这些概念进行组合，或者改变顺序的安排来定义一套具体的算法。在之后的专栏中，我们要学会写出算法的伪代码。这些概念就是伪代码的基础。另外，符号化和严格的数学定义也非常重要，之后，数学符号的引入和证明都将推出，但这些定义往往和理论宗派有关，不同的科学家对这些问题的看法和角度并不太一样。下周我们会分享这些内容，数学定义也会相继给出。
3 强化学习中的六类问题
虽然强化学习给出了一个非常通用的解决问题的思路，但是面对具体问题，在不同场景下，强化学习又会有不同的侧重。这些侧重点主要体现在一下六类问题的不同探索点上：
(1) Learning
如何通过学习去解决问题，智能体从未知的环境中通过策略学习提高。
(2) Planing
如何通过规划去解决问题，已知基于环境的模型，智能体通过模型进行计算，并且不需要外部交互，智能体能够提高策略的表现。这类问题的典型案例是 alphaGo。在已知围棋的规则下，去寻找最优结果。
(3) Explorition
如何通过探索去解决问题，智能体通过试错获取环境信息。
(4) Exploitation
如何利用已知信息去解决问题，智能体利用获取的信息获取最大奖励。
(5) prediction
如何借助预测未来去解决问题，通过评估和预测未来，给出最佳策略。
(6) Control
如何通过控制未来去解决问题，通过控制和改变未来，找到最佳策略。
六类问题本身并不独立，我们在这里把六类问题抽象出来看，每类问题下都有很多经典的应用。后续我们介绍具体算法的时候会一一讨论和学习，反复强化。
4 强化学习中的算法
有了上述六类问题，我们再看看如何通过方法或者方法的组合去定义解决问题的算法。
借助是否使用了Policy、Value fuction、Model 不同的方法组合，强化学习算法可以分为Value-based，Policy-Based，Model-Based，Model-Free这三种。具体涉及到的算法在下图中可以看到。
总结
最后，我们小结一下，这次我们着重分享了强化学习的基础概念，这些我们给出了解释性的定义。对这概念，我们可能并没有具体的数学定义，这在解决问题的过程中非常不方便，那么如何将我们的概念通过数学证明的方式严格定义下来呢？下一节，和未来许多节，我们都将努力的去定义这些概念，消化和理解这些概念。
有三AI夏季划
有三AI夏季划进行中，欢迎了解并加入，系统性成长为中级CV算法工程师。
如果想加入我们，后台留言吧
转载文章请后台联系
侵权必究
技术交流请移步知识星球
更多请关注知乎专栏《有三AI学院》和公众号《有三AI》