不知道环境模型,怎样只靠一个个真的走出来的回合找到最优策略?用四组漫画和八道手算例题,从撒点估算 π 讲起,讲清蒙特卡洛估价值、改估动作价值 Q、蒙特卡洛控制,以及探索性启动和 ε-贪心。