【Udemy中英字幕】Reinforcement Learning (English): Master the Art of RL

强化学习（英文）：掌握 RL 的艺术

强化学习

讲师：Coursat.ai Dr. Ahmad ElSallab

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

你将学到什么

定义什么是强化学习？
使用 OpenAI Gym、StabeBaselines、Keras-RL 和 TensorFlow Agents 等最先进的库应用所学到的所有知识
定义 RL 的应用领域和成功案例是什么？
定义强化学习和监督学习之间有什么区别？
定义强化学习问题设置的主要组成部分？
定义 RL 代理的主要成分及其分类是什么？
定义什么是马尔可夫奖励过程（MRP）和马尔可夫决策过程（MDP）？
使用 MDP 框架定义 RL 的解空间
使用动态规划算法（例如策略评估、策略迭代和值迭代）进行规划来解决 RL 问题
使用无模型算法（例如 Monte-Carlo、TD 学习、Q 学习和 SARSA）解决 RL 问题
区分在策略和离策略算法
掌握深度强化学习算法，例如深度 Q 网络 (DQN)，并将其应用于大规模强化学习
掌握策略梯度算法和 Actor-Critic（AC、A2C、A3C）
掌握先进的 DRL 算法，如 DDPG、TRPO 和 PPO
定义什么是基于模型的强化学习，并将其与规划区分开来，它们的主要算法和应用是什么？

要求

机器学习基础知识
深度学习基础知识
可能性
编程和解决问题的基础知识
Python编程

描述

您好，欢迎来到我们的课程；强化学习。

强化学习是机器学习和人工智能中一个非常令人兴奋且重要的领域。有人称其为人工智能皇冠上的宝石。

在本课程中，我们将涵盖与强化学习或 RL 相关的所有方面。我们将从定义 RL 问题开始，并将其与监督学习问题进行比较，并发现 RL 可以擅长的应用领域。这包括问题的表述，从深度学习的基础知识到高级用法，从而进入深度强化学习时代。

在我们的旅程中，我们将像往常一样涵盖理论和实践方面，我们将学习如何实现 RL 算法，并使用 OpenAI Gym、Keras-RL、TensorFlow Agents 或 TF- 等库将它们应用于著名的问题。代理和稳定的基线。

该课程分为 6 个主要部分：

1-我们首先介绍强化学习问题的定义，主要将其与监督学习问题进行比较，并发现强化学习问题的应用领域和主要组成部分。我们在这里描述了著名的 OpenAI Gym 环境，当涉及到我们所学算法的实际实现时，这将是我们的游乐场。

2-在第二部分中，我们讨论 RL 问题的主要表述为马尔可夫决策过程或 MDP，并使用动态规划简单地解决最基本的问题。

3- 了解 MDP 后，我们继续探索 MDP 问题的解决方案空间，以及 DP 之外的不同解决方案，包括基于模型和无模型的解决方案。我们将在这一部分中重点关注无模型解决方案，并将基于模型的解决方案推迟到最后一部分。在这一部分中，我们描述基于蒙特卡罗和时间差分采样的方法，包括著名且重要的Q学习算法和SARSA。我们将描述 Q-learning 和 SARSA 在 OpenAI Gym 环境中控制表格迷宫问题的实际用法和实现。

4- 为了超越简单的表格问题，我们需要学习 RL 中的函数逼近，这导致了当今使用深度学习或深度强化学习 (DRL) 的主流 RL 方法。这里我们将介绍 DeepMind 解决 Atari 游戏和 AlphaGO 的突破性算法，即 Deep Q-Networks 或 DQN。我们还讨论了如何在实践中使用 Keras-RL 和 TF-Agents 使用 DQN 解决 Atari 游戏问题。

5-在第五部分中，我们转向高级 DRL 算法，主要属于基于策略的方法系列。我们在这里讨论策略梯度、DDPG、Actor-Critic、A2C、A3C、TRPO 和 PPO 方法。我们还讨论了重要的稳定基线库，用于在 OpenAI Gym 的不同环境（如 Atari 等）上实现所有这些算法。

6-最后，我们探索基于模型的 RL 方法系列，重要的是，将基于模型的 RL 与规划区分开来，并探索整个 RL 方法。

希望您喜欢本课程并发现它很有用。