AI = RL + DL


基于Action，Enviroment给予Reward

enviroment是对手


alpha go is supervised learning + reinforcement learning


学两个agent，让两个互相沟通。


使用一些预定义的规则来判断对话的好坏。


更多应用





强化学习的困难就是奖励延迟，需要各种探索

alpha go：policy-based + value-based + model-based

更多学习资料

Policy-based 方法

Learning an Actor

使用神经网络代替查找表的优势是：generative 泛化能力

actor实际的去玩，来表现这个actor的好坏

好的期望值如何计算呢？