图解强化学习（第4部分）：Q学习，分步进行

直觉式强化学习系列

直观的Q学习算法工作原理和可视指南

> Photo by Carlos Esteves on Unsplash

这是我关于强化学习（RL）的系列文章中的第四篇。 现在，我们对构成RL问题构成要素的概念以及用于解决它们的技术有了很好的理解。 现在，我们可以将它们组合在一起，以了解最流行的RL算法使用的完整解决方案。

在本文中，令人振奋的是，现在开始研究我们的第一个RL算法，并详细了解Q Learning！ 您可以找到许多资源，逐步解释该算法的作用，但是富贵的这篇文章的目的是让人们直观地了解该算法为何收敛并为我们提供最佳值。

这是该系列中以前和之后文章的快速摘要。 我的目标始终是不仅要理解某件事情的工作原理，而且要理解为什么它如此工作。

· 基本概念和术语简介（什么是RL问题，以及如何使用Markov决策过程中的技术和诸如收益，价值和政策等概念将RL问题解决框架应用于该框