【課程時長】

3天（6小時/天）

【課程簡介】

強化學習是當前最熱門的研究方向之一，廣泛應用于機器人學、電子競技等領域。本課程系統(tǒng)性的介紹了強化學習（深度強化學習）的基本理論和關鍵算法，包括：馬爾科夫決策過程、動態(tài)規(guī)劃法、蒙特卡羅法、時間差分法、值函數(shù)逼近法，策略梯度法等；以及該領域的最新前沿發(fā)展，包括：DQN及其變種、信賴域系方法、Actor-Critic類方法、多Agent深度強化學習等；同時也介紹大量的實際案例，包括深度強化學習中最著名的工程應用：Alpha Go。

【課程對象】

計算機相關專業(yè)本科；或理工科本科，具備初步的IT基礎知識的人員

第一天 強化學習

第一課 強化學習綜述

1.強化學習要解決的問題

2.強化學習方法的分類

3.強化學習方法的發(fā)展趨勢

4.環(huán)境搭建實驗（Gym，TensorFlow等）

5.Gym環(huán)境的基本使用方法

第二課 馬爾科夫決策過程

1.基本概念：馬爾科夫性、馬爾科夫過程、馬爾科夫決策過程

2.MDP基本元素:策略、回報、值函數(shù)、狀態(tài)行為值函數(shù)

3.貝爾曼方程

4.最優(yōu)策略

案例：構(gòu)建機器人找金幣和迷宮的環(huán)境

第三課 基于模型的動態(tài)規(guī)劃方法

1.動態(tài)規(guī)劃概念介紹

2.策略評估過程介紹

3.策略改進方法介紹

4.策略迭代和值迭代

案例：實現(xiàn)基于模型的強化學習算法

第四課 蒙特卡羅方法

1.蒙特卡羅策略評估

2.蒙特卡羅策略改進

3.基于蒙特卡羅的強化學習

4.同策略和異策略

案例：利用蒙特卡羅方法實現(xiàn)機器人找金幣和迷宮

第五課 時序差分方法

1.DP，MC和TD方法比較

2.MC和TD方法偏差與方差平衡

3.同策略TD方法：Sarsa 方法

4.異策略TD方法：Q-learning 方法

案例：Q-learning和Sarsa的實現(xiàn)

第二天 從強化學習到深度強化學習

第一課 基于值函數(shù)逼近方法（強化學習）

1.維數(shù)災難與表格型強化學習

2.值函數(shù)的參數(shù)化表示

3.值函數(shù)的估計過程

4.常用的基函數(shù)

第二課 基于值函數(shù)逼近方法（深度學習與強化學習的結(jié)合）

1.簡單提一下深度學習

2.深度學習與強化學習的結(jié)合

3.DQN 方法介紹

4.DQN變種：Double DQN, Prioritized Replay, Dueling Network

案例：用DQN玩游戲——flappy bird

第三課 策略梯度方法（強化學習）

1.策略梯度方法介紹

2.常見的策略表示

3.常見的減小方差的方法:引入基函數(shù)法，修改估計值函數(shù)法

案例：利用gym和tensorflow實現(xiàn)小車倒立擺系統(tǒng)等

第四課 Alpha Go（深度學習與強化學習的結(jié)合）

1.MCTS

2.策略網(wǎng)絡與價值網(wǎng)絡

3.Alpha Go的完整架構(gòu)

第五課 GAN（深度學習）

1.VAE與基本GAN

2.DCGAN

3.WGAN

案例：生成手寫數(shù)字的GAN

第三天 深度強化學習進階

第一課 AC類方法-1

1. PG的問題與AC的思路

2. AC類方法的發(fā)展歷程

3. Actor-Critic基本原理

第二課 AC類方法-2

1. DPG方法

2. DDPG方法

3. A3C方法

案例：AC類方法的案例

第三課 信賴域系方法-1

1.信賴域系方法背景

2.信賴域系方法發(fā)展路線圖

3.TRPO方法

案例：TRPO方法的案例

第四課 信賴域系方法-2

1.PPO方法

2.DPPO方法簡介

3.ACER方法

案例：PPO方法的案例

第五課 多Agent強化學習

1.矩陣博弈

2.納什均衡

3.多人隨機博弈學習

4.完全合作、完全競爭與混合任務

5.MADDPG

案例：MADDPG的案例等