[转载]李宏毅RL网课笔记

李宏毅深度强化学习课程 https://www.bilibili.com/video/av24724071

李宏毅深度强化学习笔记(一)Outline
概述强化学习,及policy-based、value-based的方法

李宏毅深度强化学习笔记(二)Proximal Policy Optimization (PPO)
episide、trajectory等术语,policy gradient的原理,on-policy和off-policy
important sampling,PPO算法

李宏毅深度强化学习笔记(三)Q-Learning
引入状态价值函数和动作价值函数,提到了估计状态价值函数的两种方法:基于蒙特克罗的方法(MC)和时序差分方法(TD)。
Q-learning的算法流程,Target network和replay Buffer的方法
Double DQN、Dueling DQN、Prioritized Experience Replay、Multi-step:Combination of MC and TD
Distributional Q-function、Rainbow
连续行动下的QL

李宏毅深度强化学习笔记(四)Actor-Critic
结合Policy gradient和Q-learning,用QL的V函数和Q函数来替换policy gradient公式里面的累积reward和baseline
Advantage Actor-Critic、Asynchronous Advantage Actor-Critic (A3C)
Pathwise Derivative Policy Gradient

李宏毅深度强化学习笔记(五)Sparse Reward
处理动作空间太大,大部分动作的reward均为0的情况。
好奇法、ICM函数、课程式学习、级联强化学习

李宏毅深度强化学习笔记(六)Imitation Learning
模仿学习 Imitation Learning、Inverse Reinforcement Learning (IRL)


李宏毅深度强化学习课件
 

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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