diff --git "a/\346\231\272\350\203\275\346\227\240\344\272\272\347\263\273\347\273\237/4.\350\277\201\347\247\273\345\255\246\344\271\240\345\222\214\345\274\272\345\214\226\345\255\246\344\271\240\345\234\250\346\227\240\344\272\272\351\251\276\351\251\266\344\270\255\347\232\204\345\272\224\347\224\250.md" "b/\346\231\272\350\203\275\346\227\240\344\272\272\347\263\273\347\273\237/4.\350\277\201\347\247\273\345\255\246\344\271\240\345\222\214\345\274\272\345\214\226\345\255\246\344\271\240\345\234\250\346\227\240\344\272\272\351\251\276\351\251\266\344\270\255\347\232\204\345\272\224\347\224\250.md"
index ead02da..f78cc2c 100644
--- "a/\346\231\272\350\203\275\346\227\240\344\272\272\347\263\273\347\273\237/4.\350\277\201\347\247\273\345\255\246\344\271\240\345\222\214\345\274\272\345\214\226\345\255\246\344\271\240\345\234\250\346\227\240\344\272\272\351\251\276\351\251\266\344\270\255\347\232\204\345\272\224\347\224\250.md"
+++ "b/\346\231\272\350\203\275\346\227\240\344\272\272\347\263\273\347\273\237/4.\350\277\201\347\247\273\345\255\246\344\271\240\345\222\214\345\274\272\345\214\226\345\255\246\344\271\240\345\234\250\346\227\240\344\272\272\351\251\276\351\251\266\344\270\255\347\232\204\345\272\224\347\224\250.md"
@@ -165,15 +165,15 @@
 
 ## 强化学习原理及过程
 
-- 个体，Agent，学习器角色，也称为智能体
-- 环境，Environment，Agent 之外一切组成的、与之交互的事物
-- 动作，Action，Agent 的行为
-- 状态，State，Agent 从环境获取的信息
-- 奖励，Reward，环境对于动作的反馈
+- 个体 (Agent)，学习器角色，也称为智能体
+- 环境 (Environment)，Agent 之外一切组成的、与之交互的事物
+- 动作 (Action)，Agent 的行为
+- 状态 (State)，Agent 从环境获取的信息
+- 奖励 (Reward)，环境对于动作的反馈
 
 ![强化学习原理及过程](./image/强化学习原理及过程.png)
 
-智能体首先从环境中获取一个状态 $O_t$，然后根据 $O_t$ 调整自身的策略做出行为 $A_t$ 并反馈给环境，环境根据智能体的动作给予智能体一个奖励 R，智能体和环境之间通过不断地交互学习，得到一个 { $O_t,A_t,R$ } 的交互历史序列
+智能体首先从环境中获取一个状态 $O_t$，然后根据 $O_t$ 调整自身的策略做出行为 $A_t$ 并反馈给环境，环境根据智能体的动作给予智能体一个奖励 R，智能体和环境之间通过不断地交互学习，得到一个  $\set{O_t,A_t,R}$  的交互历史序列
 
 ### 马尔可夫决策过程
 
@@ -285,7 +285,7 @@ $$
 用状态 - 行为值函数衡量当前行为的好坏，其数学表达式为
 
 $$
-q_{\pi}(s, a) = E_{\pi}[\sum_{k=0}^{\infty} \gamma^{k} R_{t+k+1} | S_t = s, A_t = a]
+q_{\pi}(s, a) = E_{\pi}\left[\sum_{k=0}^{\infty} \gamma^{k} R_{t+k+1} | S_t = s, A_t = a\right]
 $$
 
 在一般情况下，状态 - 值函数和状态 - 行为值函数之间的关系表示为