到目前為止你已經知道，RL 涉及代理人在環境中做出決策，以最大化某種累積報酬。代理人必須透過與環境互動，找出哪些動作能帶來最多報酬。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
透過基礎概念、角色與應用，帶你進入強化學習（RL）的精彩世界。逐步掌握 RL 架構，了解代理與環境的互動。你也會學到如何使用 Gymnasium 函式庫建立環境、視覺化狀態並執行動作，為 RL 的概念與實作打下紮實基礎。
當前練習
更深入探討以基於模型的學習為重點的 RL。解析馬可夫決策流程（MDP），並理解其關鍵組成。進一步學習策略與價值函式，並透過策略疊代與價值疊代技巧，培養策略最佳化的專業能力。
展開無模型學習在 RL 中的動態旅程。首先認識基礎的蒙地卡羅方法，並實作首次造訪與每次造訪的蒙地卡羅預測演算法。接著進入時序差分學習，探索 SARSA 演算法。最後深入 Q-learning，並在具挑戰性的環境中分析其收斂性。
深入無模型 RL 的進階策略，著重於強化決策演算法。學習 Expected SARSA 以更精準地更新策略，以及 Double Q-learning 以降低高估偏誤。探討探索－利用權衡，熟練使用 epsilon-greedy 與 epsilon-decay 策略來做出最佳動作選擇。最後挑戰多拉霸（Multi-Armed Bandit）問題，應用各種策略在不確定下解決決策難題。
