阶段 9：强化学习

agent 在行动中学习。RLHF 的基础。

在 GitHub 上开始本阶段

前置要求： 阶段 1 的概率与分布，以及阶段 2 第 01 课的机器学习分类体系。

第一课： MDP、状态、动作与奖励

从仓库根目录运行：

python3 phases/09-reinforcement-learning/01-mdps-states-actions-rewards/code/main.py

记录命令、退出码、随机和贪心策略的回报、价值网格，以及一句把策略质量与期望回报联系起来的说明。

下一步： 改变折扣因子，预测价值变化，然后继续学习动态规划。

浏览阶段 9 的完整课程列表或跨阶段路线图。