课程目录

• 1_1-1-课程内容和理念
• 1_10-1-基于模型的强化学习核心思想和原理
• 1_11-1模仿学习
• 1_12-1-项目实战：Gym游戏
• 1_2-1-线性代数
• 1_3-1-CUDA+Anaconda深度学习环境配置
• 1_4-1-序列建模与概率图模型
• 1_5-1-动态回归核心思想和原理
• 1_6-1-蒙特卡洛方法
• 1_7-1-深度Q网络核心思想和原理
• 1_8-1-策略梯度核心思想和原理
• 1_9-1-演员评论家算法核心思想和原理
• 2_1-2-认识强化学习
• 2_10-2-Dyna-Q算法
• 2_11-2-博弈论与强化学习
• 2_12-2-项目实战：大模型RLHF
• 2_2-2-微积分
• 2_3-2-conda使用命令
• 2_4-2-马尔可夫观测过程：学会“看”
• 2_5-2-策略迭代
• 2_6-2-时序差分方法
• 2_7-2-DQN-代码实现
• 2_8-2-蒙特卡洛策略梯度
• 2_9-2-改进型演员评论家算法
• 3_1-3-课程使用的技术栈
• 3_10-3-Dyna-Q算法代码实现
• 3_11-3-多智能体强化学习
• 3_12-3-强化学习最新发展趋势
• 3_2-3-概率
• 3_3-3-Jupyter-Notebook快速上手
• 3_4-3-马尔可夫决策过程：试着-“干”
• 3_5-3-价值迭代
• 3_6-3-蒙特卡洛方法和时序差分代码实现
• 3_7-3-常见问题改进和扩展
• 3_8-3-策略梯度方法代码实现
• 3_9-3-演员评论家算法代码实现
• 4_10-4-基于模型的策略优化
• 4_11-4-MADDP的代码实现
• 4_12-4-下一步的学习建议
• 4_3-4-仿真环境Gym安装
• 4_4-4-马尔可夫奖励过程：懂得“想”
• 4_5-4-动态规划代码实现
• 4_6-4-广义策略迭代
• 4_7-4-DQN改进算法代码实现
• 4_8-4-近端策略优化算法
• 4_9-4-深度确定性策略梯度
• 5_10-5-MBPO的代码实现
• 5_11-5-AlphaStar系统
• 5_3-5-深度学习库PyTorch的安装
• 5_4-5-贝尔曼方程：迭代求解价值函数
• 5_6-5-Q-Learning算法
• 5_8-5-近端策略优化（PPO）代码实现
• 5_9-5-DDPG算法代码实现
• 6_11-6-基于人类反馈大强化学习
• 6_4-6-模型分类与选择
• 6_6-6-SARSA算法
• 6_9-6-软性演员评论家算法
• 7_4-7-常见问题解析
• 7_6-7-Q-Learning&SARSA代码实现
• 7_9-7-SAC代码实现
• 8_4-8-马尔可夫过程代码实现