强化学习

当你发现收集有标注的数据困难，正确答案人类也不知道是什么的时候，往往是考虑使用RL的时候。尽管机器不知道答案是什么，但是机器会知道什么好，什么不好，通过与环境互动获得奖励。

过程

演算法解RL问题：policy gradient

如何产生s\a和定义A就是重要的问题之一。