一种通过奖励反馈学习动作价值的强化学习方法。
像下棋时自己记胜率：这步走完更容易赢还是送子？多吃几次亏，心里那本账就准了。
让智能体靠试错学决策，常见于游戏、控制和路径规划。
Reinforcement-learning
它是强化学习中最经典、最常见的基础方法之一。
Temporal-difference-learning
它用时序差分方式，根据新反馈持续修正价值估计。
Policy Gradient
它先学动作值，后者则直接优化采取动作的策略。
Actor-critic
它的价值评估思路，后来被吸收到 Actor-Critic 框架里。