我正在尝试进入机器学习，并决定亲自尝试一下。我写了一个小井字游戏。到目前为止，计算机通过随机移动来对抗自己。
现在，我想通过编写一个代理来应用强化学习，该代理将基于其对董事会当前状态的了解来进行探索或利用。
我不明白的部分是这样的：
代理如何使用自身来针对当前状态进行训练？假设RNG机器人（o）播放器执行以下操作：
[..] [..] [..]
[..] [x] [o]
[..] [..] [..]
现在，代理必须决定最好的举动。受过良好训练的人会选择第一，第三，第七或第九。它在DB中是否找到了类似的状态，使他获得了胜利？因为如果是这样，我想我需要将每一步都保存到数据库中，直到最终达到结束状态（胜利/失败/平局状态），并且一次播放就需要很多数据？
如果我想错了，我想知道如何正确地做。
最佳答案
学习
1）观察当前的板状态
2）根据下一动作的所有可用V（s）的分布进行下一动作。严格地，选择通常基于Boltzman的V（s'）分布，但可以简化为最大值移动（贪婪），也可以简化为使用中的随机移动；
3）按顺序记录s'；
4）如果游戏结束，它将按顺序更新访问状态的值并重新开始；否则，请执行1）。
游戏玩法
1）观察当前的板状态
2）根据下一动作的所有可用V（s）的分布进行下一动作；
3）直到游戏结束并重新开始；否则，请执行1）。
关于您的问题，是的，在“游戏”阶段中的查找表是在“学习”阶段中建立的。每次从所有V（s）中选择状态，最大可能数为3 ^ 9 = 19683。这是a sample code written by Python，在训练中可以运行10000场比赛。
关于machine-learning - 我应该使用Reinforcement Learning将哪些内容保存到文件/数据库中？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/21818145/