多臂老虎机：探索与利用、策略梯度

观察要点

1. 强化学习需要在探索与利用之间权衡。
2. UCB 用置信上界鼓励尝试次数少的动作。
3. 策略梯度直接优化策略，引入基线可以显著降低梯度方差。

相关章节：第 14 章　深度强化学习。