A-A+

深度强化学习2017年世界顶级大学春季课程预告

2017年01月06日 Machine Learning, Resource 暂无评论 阅读 203 次

preview (1)

深度强化学习可以说是人工智能领域现在最热门的方向,吸引了众多该领域优秀的科学家去发掘其能力极限。而深度强化学习本身也由于其通用性备受各个应用领域推崇,从左到右依次为Deep Q learning玩雅达利(Atari)电子游戏、AlphaGo下围棋,PR2机器人玩乐高,仿真的四腿羚羊复杂地形运动控制。

也可阅读科普文《深度强化学习导引》见:https://zhuanlan.zhihu.com/p/21498750

 

国外顶级大学在2017年也及时地开了相关课程,我们先睹为快吧!

 

卡耐基梅隆大学CMU 10-703 Spring 2017

Deep Reinforcement Learning & Control

(课程教案还未发布)

课程页面:https://www.cmucoursefind.xyz/s17/10-703

教师主页:https://www.cs.cmu.edu/~katef/

 

简介:

本课程将介绍强化学习及控制的最新进展,如深度Q学习、actor-critic方法、学习和规划、并发轨迹优化和策略学习、逆强化学习、分层强化学习方法、预测模型、模型预测控制、探索策略、自适应控制,及深度机器人学习应用。课程结束后你应该能够:

1)编写合适的强化学习方法在模拟或机器人平台上完成任务

2)区分出机器人学中的RL和学习哪些是简单还是困难的问题

在课程将最后一个项目将涉及设计在模拟或机器人平台的强化学习方法设计。作业将会在OpenAI gym。

前提条件:学生应该有一个基本的算法、线性代数、机器学习、深度学习背景。

机器学习系其他课程:https://www.ml.cmu.edu/teaching/ml-classes-for-spring-2017.html

10807 (Fall 2016): Topics in Deep Learning

http://www.cs.cmu.edu/~rsalakhu/10807_2016/lectures.html

 

CS 294: Deep Reinforcement Learning, Spring 2017

 

课程页面:http://rll.berkeley.edu/deeprlcourse/

 

 v2-1c31c9c163da64f7d29f14d48965abbe_b

 

课程视频:

Lecture 1: intro, derivative free optimization

Lecture 2: score function gradient estimation and policy gradients

Lecture 3: actor critic methods

Lecture 4: trust region and natural gradient methods, open problems

 

相关教材:

Sutton & Barto, Reinforcement Learning: An Introduction

Szepesvari, Algorithms for Reinforcement Learning

Bertsekas, Dynamic Programming and Optimal Control, Vols I and II

Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming

Powell, Approximate Dynamic Programming

 

强化学习sutten老爷子的书Reinforcement Learning: An Introduction2017:

http://webdocs.cs.ualberta.ca/~sutton/book/the-book-2nd.html

tutorials:

http://icml.cc/2016/tutorials/deep_rl_tutorial.pdf

Misc Links:

A collection of deep learning resources

 

给我留言

Copyright © ExBot易科机器人实验室 保留所有权利.   Theme   Robin modified by poyoten

用户登录

分享到: