RL

本文是一份强化学习基础梳理。先交代 Agent 与 Environment 的交互，把 reward 折成 return；再用状态价值与动作价值，加上 Monte Carlo 和 TD 两条估计路线，说明"策略好不好"该怎么衡量；最后是值方法与策略方法这两条主线，从 SARSA 一路讲到 PPO 与 SAC，再落到 model-based RL 与模仿学习。