Ты в дебри сразу залезаешь, но впринципе понятно что делает автоор по абстракту >As a first step towards reinforcement learning, it is shown that RNN can well map and reconstruct (partially observable) Markov decision processes. In doing so, the resulting inner state of the network can be used as a basis for standard RL algorithms. This so-called hybrid RNN approach is rather simple but showed good results for a couple of applications. и по этой иллюстрации http://i.imgur.com/ywFbOqP.png RNN просто тренируют на предсказание будущего входа по нынешнему, значит она вынуждена в своём состоянии как-то кодировать важные для динамики внешнего мира переменные, уже это внутренное закодированное состояние используется как вход для обычного алгоритма обучения с подкреплением и дальше экспериментально показывается что тип работает. Перед этим он там доказывал наворочанные какие-то теоремы об универсальной аппроксимации, ну тип phd значит надо теоремы. После этого какая-то муть с привлечением теории оптимального управления, не заслуживает внимания по-моему. Чтобы лучше понимать такие вещи тебе надо почитать про обычное Q learning и про feature extraction, может про автоэнкодеры.