本课程专为希望深入掌握强化学习核心技术的学员设计，内容涵盖从基础的线性代数、概率论到高级的深度Q网络、策略梯度及演员评论家算法等。通过实操项目如Gym游戏和大模型RLHF，学员将能够将理论知识应用于实际场景，掌握强化学习的最新趋势和技术，如近端策略优化（PPO）和深度确定性策略梯度（DDPG）。适合有志于在人工智能领域深耕的技术人员和学生。
以下云资源目录树快照生成于[12个月前]，该学习资料由夸克云用户[心旷*怡的青蛙]分享（只展示大部分文件和目录）
强化学习实战：从基础到AI前沿2.04GB(mp4视频61节；)
8_4-8-马尔可夫过程代码实现.mp440.23MB7_9-7-SAC代码实现.mp435.08MB7_6-7-Q-Learning&SARSA代码实现.mp423.78MB7_4-7-常见问题解析.mp421.65MB6_11-6-基于人类反馈大强化学习.mp447.15MB6_9-6-软性演员评论家算法.mp438.57MB6_6-6-SARSA算法.mp420.84MB6_4-6-模型分类与选择.mp430.84MB5_11-5-AlphaStar系统.mp482.38MB5_10-5-MBPO的代码实现.mp453.79MB5_9-5-DDPG算法代码实现.mp422.5MB5_8-5-近端策略优化（PPO）代码实现.mp434.58MB5_6-5-Q-Learning算法.mp432.26MB5_4-5-贝尔曼方程：迭代求解价值函数.mp430.56MB5_3-5-深度学习库PyTorch的安装.mp49.24MB4_12-4-下一步的学习建议.mp433.28MB4_11-4-MADDP的代码实现.mp445.07MB4_10-4-基于模型的策略优化.mp419.66MB4_9-4-深度确定性策略梯度.mp430.35MB4_8-4-近端策略优化算法.mp436.16MB4_7-4-DQN改进算法代码实现.mp431.02MB4_6-4-广义策略迭代.mp419.56MB4_5-4-动态规划代码实现.mp443.48MB4_4-4-马尔可夫奖励过程：懂得“想”.mp449.39MB4_3-4-仿真环境Gym安装.mp418.95MB3_12-3-强化学习最新发展趋势.mp465.61MB3_11-3-多智能体强化学习.mp444.45MB3_10-3-Dyna-Q算法代码实现.mp417.74MB3_9-3-演员评论家算法代码实现.mp419.74MB3_8-3-策略梯度方法代码实现.mp419.41MB3_7-3-常见问题改进和扩展.mp427.54MB3_6-3-蒙特卡洛方法和时序差分代码实现.mp422.84MB3_5-3-价值迭代.mp419.17MB3_4-3-马尔可夫决策过程：试着-“干”.mp429.63MB3_3-3-Jupyter-Notebook快速上手.mp414.13MB3_2-3-概率.mp446.6MB3_1-3-课程使用的技术栈.mp412.01MB2_12-2-项目实战：大模型RLHF.mp431.35MB2_11-2-博弈论与强化学习.mp464.74MB2_10-2-Dyna-Q算法.mp444.61MB2_9-2-改进型演员评论家算法.mp423.04MB2_8-2-蒙特卡洛策略梯度.mp424.23MB2_7-2-DQN-代码实现.mp435.82MB2_6-2-时序差分方法.mp434.17MB2_5-2-策略迭代.mp440.01MB2_4-2-马尔可夫观测过程：学会“看”.mp440.93MB2_3-2-conda使用命令.mp411.87MB2_2-2-微积分.mp430.04MB2_1-2-认识强化学习.mp453.78MB1_12-1-项目实战：Gym游戏.mp451.39MB1_11-1模仿学习.mp448.35MB1_10-1-基于模型的强化学习核心思想和原理.mp447.96MB1_9-1-演员评论家算法核心思想和原理.mp420.12MB1_8-1-策略梯度核心思想和原理.mp444.18MB1_7-1-深度Q网络核心思想和原理.mp444.71MB1_6-1-蒙特卡洛方法.mp432.5MB1_5-1-动态回归核心思想和原理.mp430.86MB1_4-1-序列建模与概率图模型.mp438.12MB1_3-1-CUDA+Anaconda深度学习环境配置.mp418.73MB1_2-1-线性代数.mp426.89MB1_1-1-课程内容和理念.mp459.03MB
