晓查 发自 凹非寺
量子位 出品 | 公众号 QbitAI
斯坦福大学AI课程资源接二连三开始更新。上周NLP课程才结束,这周强化学习(RL)课程也已全部完结。
现在,强化学习课程讲义、PPT可以在官网下载,第一部分的课程已上传至YouTube。
本课程主讲人是斯坦福大学的助理教授Emma Brunskill。她2009年从MIT博士毕业,现在是斯坦福统计机器小组成员,2012年曾入选微软研究院Fellow。
Emma教授的主要研究方向是高风险场景下的强化学习:当获取经验的成本和风险很高时,智能体如何从经验中学习并做出正确的决策。实际应用包括教育软件、医疗决策、机器人等。
课程内容
斯坦福大学今年的RL课程从1月7日开始,每周2节课,共持续10周,到今年3月13日结课。
课程内容主要有:强化学习入门、学习评估策略、函数近似、大空间中的模仿学习、策略搜索、元学习、批量强化学习等等。
Emma教授给学生制定了这些目标:
定义强化学习的关键特征,并将其与非交互式的机器学习区别开来;
确定是否能将实际问题公式化为RL问题,如何定义这类问题,说明哪种算法最适合解决它;
常见RL算法的代码实现;
描述用于分析评估RL算法的标准;
描述探索与开发的挑战,并对比至少两种解决这一挑战的方法。
学完本课程后,你可以用这套标准来衡量自己的学习成果。
所需基础知识
本课程不是面向零基础人士,需要掌握以下知识:
Python:本课程使用numpy、TensorFlow以及Keras
大学微积分和线性代数:理解矩阵向量的运算和符号
概率与统计学:了解概率、高斯分布、期望值、标准差等基础知识
机器学习基础:本课程将定义损失函数,并通过梯度下降算法进行优化
课程资料汇总
最后附上课程全部资源:
课程主页:
http://web.stanford.edu/class/cs234/index.html
《强化学习入门》第二版:
http://incompleteideas.net/book/the-book-2nd.html
PPT下载地址:
http://web.stanford.edu/class/cs234/schedule.html
视频地址:
https://www.youtube.com/playlist?list=PLoROMvodv4rOSOPzutgyCTapiGlY2Nd8u
— 完 —
量子位AI+系列沙龙--智慧城市
加入社群
量子位AI社群开始招募啦,量子位社群分:AI讨论群、AI+行业群、AI技术群;
欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“微信群”,获取入群方式。(技术群与AI+行业群需经过审核,审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
喜欢就点这里吧 !