卡内基梅隆居然是这样教强化学习的？

卡内基梅隆大学最系统的强化学习讲义公开了！

从多臂老虎机问题讲起，系统总结了强化学习领域几乎全部概念和方法。

每章都附有公式全解+pytorch实现源码

1. 多臂老虎机（Multi-armed Bandit）：这是强化学习的入门概念之一，用于介绍基本的探索与利用之间的平衡，以及累积奖励的概念。

2. 动态规划（Dynamic Programming）：学习动态规划是强化学习的基础。这个概念介绍了如何通过将问题分解成子问题并利用子问题的解来解决整个问题，例如值迭代和策略迭代算法。

3. 马尔可夫决策过程（Markov Decision Process，MDP）：MDP是描述强化学习问题的数学框架，包括状态、动作、奖励等概念。理解MDP是深入学习强化学习的前提。

4. 时序差分（Temporal Difference Learning）：时序差分是一种学习方法，结合了动态规划和蒙特卡罗方法的优点。它能够实现在线学习和增量式更新，是很多强化学习算法的基础。

5. Dyna-Q：Dyna-Q是一种结合了模型学习和强化学习的方法，它通过模拟环境来进行学习，加速了学习过程。

6. DQN（Deep Q-Network）：DQN是一种基于深度学习的强化学习算法，将深度神经网络应用于值函数的估计，成功地解决了复杂环境中的问题，如Atari游戏。

7. 策略梯度（Policy Gradient）：策略梯度是一种直接优化策略的方法，与值函数方法不同，它直接学习参数化策略的参数，而不需要值函数的估计。

8. Actor-Critic：Actor-Critic是一种结合了策略梯度方法和值函数方法的强化学习算法，它同时学习策略和值函数，可以更好地处理连续动作空间和高维状态空间。

学习这些知识点时，最好先掌握基础的数学和机器学习概念，如线性代数、概率统计、优化方法等。同时，通过实践和阅读经典文献来加深理解和掌握。

全套名校讲义领取方法：