2019 加州大学伯克利分校 CS 285 深度强化学习

课件下载：https://www.yanxishe.com/resourceDetail/1118

众所周知，深度强化学习是人工智能发展的重大方向之一。熟悉深度强化学习背景知识的优秀人才倍受各大科研机构与公司青睐，不管是工业界还是学术界，深度强化学习都被视为实现通用人工智能最有可能的路径之一。因此，熟悉深度强化学习知识显得尤为重要。

在CS285这门课程中，Sergey Levine 教授将会深入浅出地讲解深度强化学习的背景理论知识、实现方式以及核心算法，并布置相应的家庭作业以帮助各位同学更好地巩固学习内容。

这次课程，一共有 21 讲，具体如下：

首先这门课的质量非常好。课程反应了Sergey Levine和整伯克利RL的积累，独立于《RL Introduction》的教学体系自成一派。最可贵的是涵盖近1-2年RL最前沿的知识。这门课又难又深，但绝对是飞往RL前沿的航班。研究RL的同学万万不可错过啊。

By 知乎答主“有道理”

现在强烈推荐这门课程！课程基本可以分为DRL介绍+模仿学习、model free、model based、Exploration+迁移+多任务+Meta-learning等四大部分，一共有四个很有趣的assignment（比春季的更好了）。如果你看过david silver的视频并且有机器学习的基础，那么至少你在model free部分是没问题的。秋季课程其实降低了对RL基础的要求，课上推导过程比较清晰。这门课后半model based部分恰好是对david silver等当前已有的课程、书籍里讲的比较少的内容的非常大的补充，不过这部分要求比较高。

By 知乎答主“糖葫芦喵喵”

第一讲：课程介绍和概览

第二讲：针对行为的监督学习

第三讲：TensorFlow 和神经网络简述

第四讲：强化学习简介

第五讲：策略梯度

第六讲：Actor-Critic 算法

第七讲：价值函数

第八讲：深度强化学习之Q函数

第九讲：高级策略梯度

第十讲：基于模型的规划

第十一讲：基于模型的强化学习

第十二讲：基于模型的策略学习

第十三讲：变分推断和生成模型

第十四讲：强化学习对控制的概率推断

第十五讲：逆向强化学习

第十六讲：迁移学习与多任务学习

第十七讲：分布式强化学习

第十八讲：探索（上）

第十九讲：探索（下）

第二十讲：元学习

第二十一讲：信息理论，开放性问题探讨