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。
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。
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
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 —