36. BI - 详细讲解机器学习分支之强化学习的概念和实际案例：迷宫问题

本文为 「茶桁的 AI 秘籍 - BI 篇 第 36 篇」

Hi，你好。我是茶桁。

上一节课上利用 GCN 去完成了一个恶意软件的检测，同时为了做对比，还使用 LSTM 也完成了一遍。大家可以去我的代码仓库中去找到源代码，然后自己去跑一跑，最好是写一写。

我们在上两节课中主要讲的是图卷积神经网络这个工具，未来有机会有可能你会用到，不要忘记如何去转化成一张图。你所要做的事情就是把它看成一个图的模型，去用 CGN。因为从理论上以及实践上去看 GCN 都足够的强大，可以让你很好的去学习特征。

在模型预测里面有这么一句话：特征决定模型的上限，而模型只是把特征的上限跑出来而已。所以 GCN 能成为一个很有效的 Embedding 工具。而且上节课的项目中，咱们的网络层级也并不是很高，只有两层就达到了差不多 0.96 的一个效果。

在上节课中也预告了，这一节课，就一起来看看强化学习的内容。

其实去年强化学习也还很热，逐渐的多起来了。举个简单例子，在早期其实很多的比赛都是围绕数据挖掘的，也有一些做图像处理，自然语言的，但真正做强化学习其实并没有那么的多。

在 Google 收购了 Kaggle 之后，Kaggle 是最有名的社区，我们以它为风向标。在早些年 Kaggle 上的比赛基本上都属于数据挖掘类，还有一些图像和自然语言处理类。当 Google 收购了它以后，比赛风向标已经发生了一些变化，有越来越多的强化学习的比赛。

记得我在学习强化学习的时候，老师给我看了一个案例，我到 K