在“强化学习”框架下，该项目实施了基本概念，它是CS747课程作业的集合

强化学习 此仓库包含“强化学习”框架下处理的基本概念的实现 在这里，您将发现对随机多臂匪徒的手臂进行采样的不同算法的实现和比较。 每个手臂都从固定的伯努利分布中获得iid奖励。 目的是最大程度地减少后悔。 实施的算法是epsilon-greedy探查，UCB，KL-UCB和Thompson采样。 马尔可夫决策过程可用于需要根据先前结果做出决策的问题中。 在这里，实现了用于找到给定MDP的最佳策略的算法。 第一部分是应用线性规划（LP）公式，第二部分是实现策略迭代（PI）的三种不同变体。 霍华德的PI，Mansour和Singh的随机PI和批量转换PI。 此后，通过运行一组实验比较PI的这些变体的效率。 本节包含Sarsa（λ）和Q学习的实现和比较。 调整学习和探索速度以获得最佳性能。 报告中讨论了调整超参数的系统过程。 对于Sarsa，已实现了替换跟踪方法以及累积跟踪方法。 本节介绍