强化学习，第 3 部分：蒙特卡罗方法

一、介绍

   从赌场到人工智能：揭示蒙特卡罗方法在复杂环境中的强大功能
   强化学习是机器学习中的一个领域，它引入了必须在复杂环境中学习最优策略的智能体的概念。智能体从其行为中学习，这些行为在给定环境状态的情况下产生奖励。强化学习是一个困难的话题，与机器学习的其他领域有很大不同。这就是为什么只有当给定的问题无法解决时才应该使用它。

   在本文中，我们将发现蒙特卡罗算法。与标准方法相比，它们的优雅之处在于它们不需要任何有关环境动态的知识。这方面有很大的不同，因为在现实生活中，我们通常不知道状态之间所有可能的转换概率。

   注意。为了充分理解本文中包含的概念，强烈建议熟悉强化学习的主要概念以及本系列前两篇文章中介绍的策略改进方法。

二、关于此文章

   在第 1 部分中，我们介绍了强化学习的主要概念：框架、策略、值函数和贝尔曼方程。
   在第 2 部分中，我们了解了 GPI 方法，该方法旨在通过政策