Skip to main content

强化学习

本版块介绍强化学习相关的知识

第一阶段：基础概念与原理​

  1. 什么是强化学习？与监督学习/无监督学习的区别
  2. 马尔可夫决策过程（MDP）
  3. 奖励函数、状态、动作、策略、价值函数等核心概念
  4. Bellman 方程（贝尔曼期望方程 & 最优方程）
  5. 策略 vs 值函数方法（policy-based vs value-based）

第二阶段：经典算法​

  1. 动态规划：Policy Iteration & Value Iteration
  2. 蒙特卡洛方法（Monte Carlo）
  3. 时间差分方法（TD Learning）
  4. SARSA 与 Q-Learning

第三阶段：深度强化学习​

  1. Deep Q-Network (DQN)
  2. Double DQN, Dueling DQN, Prioritized Experience Replay
  3. Policy Gradient 方法
  4. Actor-Critic 架构（A2C, A3C）
  5. PPO, TRPO 等策略优化算法

第四阶段：进阶与应用​

  1. 多智能体强化学习（MARL）
  2. 模型预测与世界建模（Model-based RL）
  3. 分层强化学习（Hierarchical RL）
  4. 实践项目推荐（如 OpenAI Gym、Unity ML-Agents、MuJoCo）