强化学习的基本概念
哪些公司问过
答案要点
- 智能体与环境交互,根据奖励学习决策,目标是最大化累积回报
- 要素:状态、动作、奖励、策略,常用马尔可夫决策过程建模
- 与监督学习不同:没有标准答案,奖励延迟稀疏,靠试错探索
- 算法:Q-Learning、DQN、策略梯度、PPO、Actor-Critic;需平衡探索与利用
- 大模型中用于对齐和推理:RLHF、GRPO;有实践经历要讲清项目场景
易错点
- 把强化学习说成有标准答案的监督学习
- 说不出状态、动作、奖励这些基本要素
- 不了解强化学习在大模型里的应用
面试官常见追问
- 强化学习和监督学习有什么区别?
- 什么是探索与利用?
- PPO 为什么常用?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。