机器学习方法：有监督学习，无监督学习，强化学习
有监督学习：有标签有目标
无监督学习：无标签，无目标
强化学习：过程模拟和观察进行学习。
强化学习
策略：在特定状态下应该怎么采取行动。
目标：找到最佳策略，即能够获得最大奖励的策略。
数学模型：马尔可夫决策过程（MDP）
强化学习方法形式化为MDP，MDP是序列决策算法的一般数学框架
通常将MDP表示为四元组（S，A，P，R）：
S是离散状态；A可能是离散，也可能是连续的；P通常用来描述模型。
马尔可夫假设：状态不断转移，随着时间可以写成St→St+1→St+2，而在St+2这个时间段时若给定了St+1状态，那么它跟St及以前的状态是没有关系的。
策略：在马尔可夫决策过程中，最终需要求解一个策略，它是行动和状态之间的映射，分为确定性策略和随机性策略：
随机性：可能是一个概率取值。
确定性：非左即右。
目标：
多臂Tiger机问题（MAB）：探索与利用的权衡
Tiger机有K个摇臂，每个摇臂以一定的概率吐出金币，投入硬币后只能选择其中一个摇臂，目的是通过一定的策略使自己的奖励最大，即得到更多的金币：
