深度学习（三十八）——深度强化学习（1）教程

最新推荐文章于 2024-10-06 21:14:34 发布
最新推荐文章于 2024-10-06 21:14:34 发布
阅读量1.2k 收藏 4
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/antkillerfarm/article/details/100303259
版权

教程

http://incompleteideas.net/sutton/book/the-book-2nd.html

《Reinforcement Learning: An Introduction》，Richard S. Sutton和Andrew G. Barto著。

注：Richard S. Sutton，加拿大计算机科学家，麻省大学阿姆赫斯特分校博士（1984年），阿尔伯塔大学教授。强化学习之父，研究该领域长达三十余年。

Andrew G. Barto，麻省大学阿姆赫斯特分校教授。Richard S. Sutton的导师。

http://incompleteideas.net/sutton/609%20dropbox/slides%20(pdf%20and%20keynote)/

Sutton的pdf和keynote

注：资料中的.key文件即为keynote文件。这种格式是苹果设备上的专用ppt格式，在其他系统中查看不了。

http://www0.cs.ucl.ac.uk/staff/D.Silver/web/Teaching.html

UCL Course on RL

David Silver，剑桥大学本科（1997年）+阿尔伯塔大学博士（2011年）。伦敦大学学院讲师。现为DeepMind研究员。AlphaGo之父。

Silver的名声直追他的导师Sutton，这个教程也流传很广。后续介绍的教程中，多有对它的抄袭。

http://www.meltycriss.com/2017/09/09/note-reinforcement-learning/

课程笔记《UCL强化学习》。这个blog包含大量的思维导图。

https://mp.weixin.qq.com/s/_PVe7Gcq7Yk8nOFJFPcUQw

叶强：David Silver《深度强化学习》公开课教程学习笔记完整版

https://github.com/clamesc/reinforcement-learning-mindmap

另一个版本的David Silver课程的思维导图。

http://web.stanford.edu/class/cs234/syllabus.html

CS234: Reinforcement Learning

http://rail.eecs.berkeley.edu/deeprlcourse/

CS 294: Deep Reinforcement Learning

以上1本书+4个课程，基本就是目前RL领域的黄金搭档了。Stanford的课程内容比较新，但是很浅。UCB的课程通常都是给入门以后的人准备的，无论DL还是RL，都是这样。Sutton和Silver的课程内容比较老，但是很有深度。和CV领域只需要学习DL，而不需要学习传统方法不同，按照Sutton的说法，基本算法原理远比神经网络更重要。

http://www.eecs.wsu.edu/~taylorm/17_580/index.html

CptS 580: Reinforcement Learning

http://www.eecs.wsu.edu/~taylorm/2011_cs420/index.html

Artificial Intelligence。这个课程名义上叫AI，实则包括状态空间搜索、强化学习和贝叶斯网络三部分内容。

http://www.eecs.wsu.edu/~taylorm/2010_cs414/index.html

Introduction to Machine Learning。Matthew E. Taylor的本行是RL，所以不管什么课程，都有RL的内容。

Matthew E. Taylor，安默斯特学院本科（2001年）+德州大学奥斯汀分校博士（2008年）。华盛顿州立大学副教授。

https://katefvision.github.io/

CMU: Deep Reinforcement Learning and Control

https://course.ie.cuhk.edu.hk/~ierg6130/schedule.html

香港中文大学：Reinforcement Learning

https://github.com/aikorea/awesome-rl

提供了RL方面的资源网页。aikorea还提供了同类的资源收集网页：awesome-rnn, awesome-deep-vision, awesome-random-forest。

https://mp.weixin.qq.com/s/dS0oQbGtrdd4rS25cBNyoQ

面向Open AI, TensorFlow, Keras的强化学习书籍《Reinforcement Learning》

https://102.alibaba.com/downloadFile.do?file=1517812754285/reinforcement_learning.pdf

《强化学习在阿里的技术演进与业务创新》，这是阿里出品的RL实战类书籍。

https://mp.weixin.qq.com/s/RbUcEOctRm8kX6_Ar4J0CA

446页简易Python强化学习教程书籍

https://mp.weixin.qq.com/s/7DlbuJI_gARJRABnlZQcxQ

伯克利大学ICML2018强化学习80页教程

https://mp.weixin.qq.com/s/7WnlNvxk0KKVPYqvSi7fKA

40页 PPT，BMM夏令营《强化学习简明教程》

https://mp.weixin.qq.com/s/VelM7ndXfevXKfPno-T9jQ

微软亚研130PPT教程：强化学习简介

https://sites.ualberta.ca/~szepesva/RLBook.html

《Algorithms for Reinforcement Learning》

https://mp.weixin.qq.com/s/tZjIdNSLvIVzho-IlCvm6A

93页随机近似与强化学习教程分享

https://mp.weixin.qq.com/s/o1wLREqtIZpzH2NxLl9M7A

深度强化学习简介

https://mp.weixin.qq.com/s/Y9DfxQJ-w23QXxKV0z26ag

MIT科学家Dimitri P. Bertsekas最新2019出版《强化学习与最优控制》

https://mp.weixin.qq.com/s/2cEd_FGmj-WVfm4KrQfMMg

《深度学习与机器人学》大牛Pieter Abbeel 105页PPT下载

https://mp.weixin.qq.com/s/u49cuDV21ITs1aV9tJR85g

Pieter Abbeel：《深度学习在机器人中的应用》

https://mp.weixin.qq.com/s/z9MvLuqjY5Xmty18ZP10WQ

UC伯克利Pieter Abbeel教授强化学习教程-附59页slides

https://github.com/enggen/DeepMind-Advanced-Deep-Learning-and-Reinforcement-Learning

DeepMind与UCL合作推出的深度学习与强化学习进阶课程

https://mp.weixin.qq.com/s/CnL1uIWef2AjIr_AwL7t-w

DeepMind研究员Tor2019著作《赌博机算法》，555页带你学习专治选择困难症技术

https://zhuanlan.zhihu.com/c_168521441

在线学习(MAB)与强化学习(RL)

https://github.com/p-christ/Deep-Reinforcement-Learning-Algorithms-with-PyTorch

PyTorch实现多种深度强化学习算法

https://mp.weixin.qq.com/s/UrwP9t-Ox4M9QImKDUDcsA

140页《深度强化学习入门》发布

https://simoninithomas.github.io/Deep_reinforcement_learning_Course/

老外写的简易深度强化学习入门

https://mp.weixin.qq.com/s/nSfvhr096aTeOHxDHy0NeA

434页《Python强化学习实用指南》

https://www.starai.io/course/

StarAi的DRL教程

https://mp.weixin.qq.com/s/eMzrktlm93ZEZi-J5sipqA

莫斯科国立大学56页《深度强化学习综述》最新论文，带你全面了解DRL最新方法

https://github.com/dennybritz/reinforcement-learning

GitHub 万星资源：强化学习算法实现，教程代码样样全，还有详细学习规划

论文

《A Brief Survey of Deep Reinforcement Learning》

《Asynchronous Methods for Deep Reinforcement Learning》

《Deep Reinforcement Learning for Dialogue Generation》

blog

https://zhuanlan.zhihu.com/sharerl

强化学习知识大讲堂

https://zhuanlan.zhihu.com/intelligentunit

一个DL+RL的专栏

https://www.cnblogs.com/pinard/category/1254674.html

一个DRL的专栏

https://www.cnblogs.com/steven-yang/tag/强化学习/

一个RL的专栏

https://www.cnblogs.com/steven-yang/tag/博弈论/

一个博弈论的专栏

工具/框架

https://mp.weixin.qq.com/s/5ScRIl2MHNGaUyIEJJKnKw

DeepMind开源强化学习研究环境Control Suite

https://mp.weixin.qq.com/s/GTjNToprM2OO7uzSRQXkHw

DeepMind开源强化学习库TRFL，关键算法可编写RL智能体

https://mp.weixin.qq.com/s/PLFxehTAXcehzIrIMRfVpA

强化学习的基石：DeepMind开源框架TRFL

https://mp.weixin.qq.com/s/ew7vmvskp_q4aM7cJM-CXg

夺魁NeurIPS 2018强化学习大赛，百度正式发布RL模型库和算法框架PARL

https://github.com/danaugrs/huskarl

基于TF2.0的深度强化学习平台：Huskarl

https://mp.weixin.qq.com/s/ApP0zNuG5OP_-HzJC1v95Q

谷歌发布开源Dopamine 2.0，让强化学习变得更灵活

https://mp.weixin.qq.com/s/Hod37LQ-eEe0EVtLfyXLGQ

DeepMind重磅开源强化学习框架！覆盖28款游戏，24多个算法(OpenSpiel)

https://zhuanlan.zhihu.com/p/68462431

谷歌开源RL足球环境

https://mp.weixin.qq.com/s/BhTX4KQnLxUQLvPUfY3q6Q

物理实验成本为零！南大LAMDA开源虚拟RL训练环境

antkillerfarm
关注
专栏目录
【深度学习】深度强化学习初学者指南
gongdiwudu的专栏
07-05 8374
GAN（Generative Adversarial Networks）是一种深度学习模型，它由两个神经网络组成：一个生成网络和一个判别网络。生成网络学习如何生成类似于给定数据集的新数据，而判别网络则学习如何区分生成网络生成的数据和原始数据。这两个网络相互竞争，使得生成器越来越接近于生成真实数据，判别器越来越接近于准确地识别真实数据和生成数据。GAN 已经在许多领域中取得了成功，如图像处理、自然语言处理等。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
深度强化学习入门
weixin_40920183的博客
11-06 1344
作者：清凇 （就职于阿里巴巴，搜索排序、自然语言处理）https://www.zhihu.com/people/huaqingsong过去的一段时间在深度强化学习领域投入了不少精力，工作...
【机器学习】深度学习、强化学习和深度强化学习？
最新发布
weixin_62403234的博客
10-06 1998
深度学习、强化学习和深度强化学习是机器学习的三个重要子领域。它们有着各自独特的应用场景和研究目标，虽然都属于机器学习的范畴，但各自的实现方式和侧重点有所不同。
深度学习与计算机视觉教程(18) | 深度强化学习 (梯度策略,Actor-Critic,DDPG,A3C)（CV通关指南·完结）
ShowMeAI研究中心
06-16 2万+
本文讲解了 Policy Gradient，结合policy-based 和 value-based 的 Actor-Critic 方法，以及在 Actor-Critic 基础上的 DDPG、A3C方法【对应 CS231n Lecture 14】
Python 深度强化学习教程（一）
龙哥盟
08-19 1051
强化学习是发展最快的学科之一，正在帮助人工智能成为现实。将深度学习与强化学习相结合已经导致了许多重大进步，这些进步越来越多地让机器接近人类的行为方式。在本书中，我们将从基础开始，以掌握该领域的一些最新发展结束。使用 PyTorch 和 TensorFlow 将会很好地混合理论(用最少的数学)和代码实现。在这一章中，我们将设置背景，并为你在本书的其余部分做好一切准备。
Tensorflow基础教程6：深度强化学习（DRL）
iFlyAI的博客
04-13 683
在开始学习之前推荐大家可以多在FlyAI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。 强化学习 (Reinforcement learning，RL)强调如何基于环境而行动，以取得最大化的预期利益。结合了深度学习技术后的强化学习(Deep Reinforcement learning，DRL)更是如虎添翼。近年广为人知的 AlphaGo 即是...
深度学习（十八）强化学习（1）
QuinnHanz的博客
06-16 291
sorry,笔记正在上传。。。
PyTorch强化学习实战（1）——强化学习环境配置与PyTorch基础
热门推荐
盼小辉丶的博客
05-29 11万+
工欲善其事，必先利其器。为了更专注于学习强化学习的思想，而不必关注其底层的计算细节，我们首先搭建相关强化学习环境，包括 PyTorch 和 Gym，其中 PyTorch 是我们将要使用的主要深度学习框架，Gym 则提供了用于各种强化学习模拟和任务的环境。除此之外，本文还介绍了一些 PyTorch 的基础知识，以及 Gym 环境的使用方法，为之后的强化学习实战奠定基础。
深度强化学习(一)
zhf的博客
07-22 207
所谓的策略，其实就是状态到动作的映射。数学表达为 π：s→a 确定性策略是说只要给定一个状态s，就会输出一个具体的动作a，而且无论什么时候到达状态s，输出的动作a都是一样的。而随机策略是指，给定一个状态s，输出在这个状态下可以执行的动作的概率分布。即使在相同状态下，每次采取的动作也很可能是不一样的。 Actor-Critic 如果我们能够相对准确地估计状态价值，用它来指导策略更新，那么是不是会有更...
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
手把手教你入门深度强化学习（附链接&代码）
THU数据派
07-17 5534
来源：机器之心本文约2600字，建议阅读10分钟。GitHub 开源了一份深度强化学习的教程，总结了从 DQN 到彩虹模型的理论和代码实现。深度强化学习在机器学习领域的热...
深度强化学习【1】-强化学习入门必备基础（含Python迷宫游戏求解实例）
Moresweet 猫甜
04-16 3872
强化学习是以奖励作为目标的机器学习方法，其思路仿照生物的经验学习方法，其没有标签数据，所以奖励是非常重要的指标，强化学习方向的最终目标是将总奖励最大化，奖励的建模设计引导整个强化学习的走向。其基础概念包含策略、动作、状态、价值函数等，配有迷宫实例进行结合讲述。
深度强化学习(Deep Reinforcement Learning) 原理与代码实例讲解
AI天才研究院
06-20 489
1. 背景介绍 深度强化学习是一种结合了深度学习和强化学习的技术，它可以让机器在没有人类干预的情况下，通过与环境的交互来学习如何做出最优的决策。深度强化学习已经在许多领域得到了广泛的应用，例如游戏、机器人控制、自然语言处理等。 2. 核心概念与联系 深度强化学习的核心概念包括：状态、动作、
深度强化学习（DRL）一：入门篇
钟鸣的博客
02-27 1万+
目录前言强化学习（RL）的基本概念主要算法和相关分类QlearningSarsaA3C强化学习到深度强化学习 前言 之前通过对AlphaGo Zero的学习，我对深度强化学习有了一定的了解。但是由于没有经过系统的学习，我对其中的知识还有很多不懂的地方。写这一系列文章主要是整理一下网上的资料，梳理这方面的知识，做一下总结。目前网上关于深度强化学习的应用这方向的资料不算多，再加上深度强化学习本身也是一...
探索DRL：一款强大的深度强化学习框架
gitblog_00006的博客
03-22 339
探索DRL：一款强大的深度强化学习框架 去发现同类优质开源项目:https://gitcode.com/ 项目简介 是由王树森教授领导开发的一个深度强化学习（Deep Reinforcement Learning）框架。该项目的目标是提供一个易于使用、高效且模块化的平台，使得开发者和研究人员能够快速地进行深度强化学习算法的实验和应用。通过访问，你可以获取源代码、文档以及示例，从而开始你的深度强化学...
深度学习---强化学习
milk_and_bread的博客
08-23 394
文章目录强化学习学习方法分类基于理解环境(Model-Free、Model-base)基于概率(Policy-Based RL)Q-learning 强化学习 学习方法分类 基于理解环境(Model-Free、Model-base) Model Free 的方法让机器人按部就班等待真实世界的反馈，根据反馈采取下一步的行动 Model Base的方法，让机器人通过想象，然后预判断发生的所有...
深度强化学习——DQN
02-24
本文来自于csdn，本文章主要介绍了深度学习与强化学习结合起来从而实现从感知（Perception）到动作（Action）的端对端（End-to-end）学习的一种全新的算法。原因：在普通的Q-learning中，当状态和动作空间是离散且维...
深度强化学习技术概述
阿里云技术
08-22 2857
在本文中详细介绍了深度强化学习技术，将强化学习分成三大类来进行介绍。首先，从数学理论角度介绍了强化学习；接着，从不同适用方向对两类深度强化学习算法进行介绍；最后，介绍目前应用广泛的结合前两个算法的结合物AC算法。
深度强化学习基础知识 思维导图
qq_46331773的博客
05-15 561
学习了王树森老师的深度强化学习入门课件，将各个算法整理在如下思维导图中。 深度强化学习基础知识 思维导图
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值