强化学习基础概念及MDP算法，如图1所示
这张ppt上就展现了一节课全部的内容：
Sets中有表示状态的S、有表示动作的A(s)、有表示奖励的R(s,a)，如图二所示
也介绍了概率分布（Probability distribution）
其中State transition probability为p（s’∣s，a）
Reward probability为p（r∣s，a）
还有策略（Policy）
最重要的马尔科夫决策就是下一步的状态只受当前状态的影响，不受先前状态的影响，其实是因为当前状态所展现的东西，就是先前状态的影响不断累计的产物，以此形成了马尔科夫链。如图三所示
