一、引言 在数据挖掘与机器学习领域中，预测建模（Predictive Modeling） 是最核心的任务之一。它的目标是利用历史数据，建立数学模型，对未知或未来的结果进行预测。而在预测建模的范畴下，最常见的两类问题便是——回归（Regression）与分类（Classification）。
一、从全量到小批量——训练思路的转变
一、为什么需要探索 在强化学习的训练过程中，智能体需要不断地与环境交互， 通过观察状态、采取动作、获得奖励，逐渐学会什么是“好”的决策。 但这里有一个核心问题： 如果智能体总是选择当前看起来最优的动作，会怎样？ 它可能会陷入局部最优—— 也就是说，它学到的策略在局部区域看起来很好， 但在整个任务范围
一、初始架构的回顾 在强化学习的早期阶段，深度Q网络（Deep Q-Network, DQN） 被提出，用于近似状态动作值函数 Q(s,a)。 在这种结构中，神经网络的输入并不仅仅是环境的状态，而是状态与动作拼接后的向量，输出为单一的 Q(s,a) 值。 架构结构说明
一、离散与连续状态 在强化学习（Reinforcement Learning, RL）中，状态（State） 描述了智能体所处的环境信息。不同的任务和环境，会决定状态是离散的还是连续的。 离散状态（Discrete State） 在离散环境中，状态通常是有限个离散位置或情境。 例如图中上方的网格环境
一、随机环境的定义 在强化学习中，环境（Environment） 指的是智能体所处的世界。智能体通过感知环境状态（state）并执行动作（action），从而获得奖励（reward）并转移到下一个状态。 在前面的讨论中，我们默认环境是确定性的（Deterministic） —— 也就是说，只要智能体
一、引言：为什么需要贝尔曼方程 在强化学习中，我们希望智能体（agent）能够在一个环境（environment）中不断行动，以最大化它获得的累积回报（return）。 但问题在于，未来的回报是未知的 —— 只有在执行了一系列动作之后，才能真正看到结果。 那么，我们如何在当前时刻就知道一个动作是否“
一、状态-动作值函数定义 在强化学习中，智能体在与环境交互的过程中，需要根据当前状态做出一个动作（action），并获得一个奖励（reward）。 然而，智能体并不仅仅关心立即获得的奖励，而是希望在长期内获得尽可能高的回报（return）。 为了实现这一目标，我们需要衡量在不同状态下采取不同动作的“
一、策略（Policy）的概念 在强化学习中，策略（Policy） 是智能体的核心组成部分。它定义
一、引言 在强化学习（Reinforcement Learning, RL）中，智能体（Agent）与环境（Environment）不断交互，通过采取动作获得奖励，并逐步学习如何优化自己的策略。然而，单个奖励往往不能全面反映一次决策的好坏，因为它只描述了当前一步的反馈。为了更准确地衡量智能体的长期收
