豆豆酱

Lecture 14 Monte Carlo Tree Search Simulation-Based Search 仅针对当前状态计算动作 到目前为止，课堂上计算的是整个状态空间的策略。 关键思想：

Lecture 11 Fast Reinforcement Learning 设置、框架与方法 接下来将会考虑两种设置、多种框架和方法。 设置：赌博机问题（单次决策）、马尔可夫决策过程（MDPs）。

Lecture 8 Human Feedback and Reinforcement Learning from Human Preferences Pairwise Comparisons 通常来说

Lecture 5 Policy Gradient I 1. Policy Optimization Value-based RL 学习的是 near-deterministic policy，但是

这篇文章主要介绍了强化学习中大模型训练的相关理论，包括马尔可夫决策过程（MDP）的基础概念、值迭代和策略迭代等求解方法，还涵盖了Monte Carlo方法、Temporal Difference学习

本章主要介绍以下内容： 1. 什么是服务发现？(what) 1. 微服务框架下为什么需要服务发现呢？(why) 1. 服务发现是怎么运作的呢？(how) 1. CAP定理 1. 现有的几种

https://www.bilibili.com/video/BV1af4y1y7sS/?spm_id_from=333.337.search-card.all.click&vd_source=292

53张牌中找出缺少的牌的花色和点数 https://blog.csdn.net/weixin_30770783/article/details/95660920 一个很长的字符串，内存装不下，如何进行

题目 只有2G内存的pc机，在一个存有10G个整数的文件，从中找到中位数，写一个算法。 思路一：外排序（排序-归并） 什么是外排序 外排序就是由于数据量太大不能一次性加载到内存，所以需要先暂时用外存储