本序列聚焦于强化学习和大语言模型，探索大语言模型背后的推理能力和强化学习之间的关联关系。通过从最基础的强化学习开始，本视频讲解，马尔可夫决策过程， 使用Exploration和Exploitaton解决算法收敛速度的问题。