强化学习入门：用 Python 模拟多臂老虎机

强化学习入门教程以 Python 多臂老虎机模拟为主题，讲解智能体如何通过与环境交互、以奖励或惩罚试错来学习最优行为。其思想可追溯至 1950 年代最优控制与动态规划，后经在线学习和 neuro-dynamic programming 等演进，并应用于 AlphaGo、LLM 等。RL 问题具有闭环、无明确指令和后果延迟等特征，核心难点是探索与利用的权衡。