听了个听儿

好的动作空间会简化状态空间和回报函数的设计。

介绍了关于DRL算法适用性的需求分析方法。1、先考虑这是不是一个DRL问题，2、然后什么情况下应该考虑使用DRL算法，3、然后开始评估算法可行性4、最后合理设计模块框架

介绍了NLG中关于对话系统的相关算法，涉及《Deal or No Deal? End-to-End Learning for Negotiation Dialogues》和《Hierarchical Text Generation and Planning for Strategic Dialogue》两篇论文大致介绍。

策略迭代如果使用值函数重新定义强化学习的目标，我们可以得到：RL就是找到最优的策略，使得每一个状态的价值最大化。相当于求解π∗=argmaxaqπ∗(s,a)\pi^{*}=argmax_{a}q_{\pi^{*}}(s,a) π∗=argmaxa​qπ∗​(s,a)而对于每一个状态对应的行为，我们希望找到使其价值最大化的行为：a∗=argmaxaqπ∗(s,a)a^{*}=argma...

RL算法的分类1. 分类标准一从“是否能对环境建模”出发，RL可以被划分为 Model-Free 和Model-Based.二者之间的区别就是 agent能不能为环境建模，也就是去学习一个函数可以预测状态转移和收益。如果我们为环境建模，那么agent就可以提前预测各种选择下的情况，并从这些预测过程中学到更多经验，再应用到实际行为中。最著名的就是AlphaZero的例子，在 sample ...

States and Observationsstate 是对word 的描述，是完整的；observation 是对state的描述，是不完整的。他们都用一种real_valued向量、矩阵或者更高阶的tensor来表述。比如，可观测状态可以表示成RGB矩阵，机器人的状态可以表示成关节的角度和速度Action Spaces给定环境下的动作集合，分为离散的（棋类游戏）和连续的（机器人）。P...