└── README.md /README.md: -------------------------------------------------------------------------------- 1 | # Reinforcement-Learning 2 | 3 | ## 主要内容 4 | 5 | - [课程列表](#curriculum) 6 | - [基础知识](#basic_knowledge) 7 | - [专项课程学习](#special_course_learning) 8 | - [参考书籍](#reference_booklists) 9 | - [论文专区](#papers_reading) 10 | 11 | ##

课程列表

12 | 13 | 课程 | 机构 | 参考书 | Notes等其他资料 14 | :-- | :--: | :--: | :--: 15 | MDP和RL介绍[8](https://www.youtube.com/watch?v=i0o-ui1N35U) [9](https://www.youtube.com/watch?v=Csiiv6WGzKM) [10](https://www.youtube.com/watch?v=ifma8G7LegE) [11](https://www.youtube.com/watch?v=Si1_YTw960c) | Berkeley | 暂无 | [链接](http://ai.berkeley.edu/course_schedule.html) 16 | MDP简介 | 暂无 | [Shaping and policy search in Reinforcement learning](http://101.96.10.63/rll.berkeley.edu/deeprlcourse/docs/ng-thesis.pdf) | [链接](http://101.96.10.63/rll.berkeley.edu/deeprlcourse/docs/ng-thesis.pdf) 17 | [强化学习](https://www.youtube.com/watch?v=2pWv7GOvuf0)| UCL | [An Introduction to Reinforcement Learning](http://webdocs.cs.ualberta.ca/∼sutton/book/the-book.html) | [链接](http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html) 18 | [强化学习(偏Java)](https://classroom.udacity.com/courses/ud820/lessons/684808907/concepts/6512308530923) | Udacity | 暂无 | [链接](https://cn.udacity.com/course/reinforcement-learning--ud600) 19 | [深度强化学习](http://rll.berkeley.edu/deeprlcourse/) | Berkeley | [Algorithms for Reinforcement Learning](https://sites.ualberta.ca/~szepesva/RLBook.html) | [链接](http://rll.berkeley.edu/deeprlcourse/) 20 | 21 | ##

基础知识

22 | 在完成了前面的机器学习课程后，我们已经拥有了较好的机器学习基础知识，这边我们给出的强化学习的基础知识可能可能前面也有涉及，主要帮助大家回顾以及更快的进入强化学习的后续课程部分，关于Berkeley的人工智能，我们仅仅只需要完成第8,9,10,11这四章内容即可，希望大家把这些基础知识扎实的学好。 23 | 24 | 课程 | 机构 | 参考书 | Notes等其他资料 25 | :-- | :--: | :--: | :--: 26 | MDP简介 | 暂无 | [Shaping and policy search in Reinforcement learning](http://101.96.10.63/rll.berkeley.edu/deeprlcourse/docs/ng-thesis.pdf) | [链接](http://101.96.10.63/rll.berkeley.edu/deeprlcourse/docs/ng-thesis.pdf) 27 | 人工智能[8](https://www.youtube.com/watch?v=i0o-ui1N35U) [9](https://www.youtube.com/watch?v=Csiiv6WGzKM) [10](https://www.youtube.com/watch?v=ifma8G7LegE) [11](https://www.youtube.com/watch?v=Si1_YTw960c) | Berkeley | 暂无 | [链接](http://ai.berkeley.edu/course_schedule.html) 28 | 29 | ##

专项课程学习

30 | 深度强化学习课程可能会涉及一些神经网络的知识，如果有必要的话可以去[深度学习](https://github.com/dayeren/Deep-Learning)一章寻找相应的资料进行学习。 31 | 32 | 课程 | 机构 | 参考书 | Notes等其他资料 33 | :-- | :--: | :--: | :--: 34 | [强化学习](https://www.youtube.com/watch?v=2pWv7GOvuf0)| UCL | [An Introduction to Reinforcement Learning](http://webdocs.cs.ualberta.ca/∼sutton/book/the-book.html) | [链接](http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html) 35 | [强化学习(偏Java)](https://classroom.udacity.com/courses/ud820/lessons/684808907/concepts/6512308530923) | Udacity | 暂无 | [链接](https://cn.udacity.com/course/reinforcement-learning--ud600) 36 | [深度强化学习](http://rll.berkeley.edu/deeprlcourse/) | Berkeley | [Algorithms for Reinforcement Learning](https://sites.ualberta.ca/~szepesva/RLBook.html) | [链接](http://rll.berkeley.edu/deeprlcourse/) 37 | 38 | ##

参考书籍

39 |   以下推荐的书籍都是公认的强化学习领域界的好书，建议这些书籍必须至少详细阅读一本(建议第一本)，而较难的书籍不做任何要求，大家可以在学有余力时细细品味经典。 40 | 41 | 书名 | 链接 42 | :-- |:-- 43 | An Introduction to Reinforcement Learning(2nd edition) | [链接](http://files.meetup.com/20345340/Sutton2016_bookdraft2016sep.pdf) 44 | Algorithms for Reinforcement Learning| [链接](https://sites.ualberta.ca/~szepesva/RLBook.html) 45 | Decision Making Under Uncertainty: Theory and Application| [链接](https://www.amazon.com/Decision-Making-Under-Uncertainty-Application/dp/0262029251/ref=sr_1_1?ie=UTF8&qid=1441126550&sr=8-1&keywords=kochenderfer&pebp=1441126551594&perid=1Y6RG2EGRD26659CJHH9) 46 | 47 | ##

论文专区

48 | 恭喜您坚持到了现在，现在您已经拥有了扎实的数学功底，同时经过这么多的练习，也已经掌握了强化学习中的较为经典甚至一些较为前沿的技术，接下来如果您希望继续深造并成为大师并对该领域做出突破贡献，我们唯一能为您提供的就是下面的学习平台，它汇总了最经典的领域论文，领域开源包以及很多丰富的资源，同时会不断更新最新的进展，希望对您有帮助，补充一句：**我们强烈建议您进入高校或者其他研究所进行深造，因为现在您当前的基础已经完全可以支撑您进行进一步研究，如果有好的导师引路，加之努力，将来定会成为大师，希望继续加油！**。 49 | 50 | - [强化学习平台](https://github.com/aikorea/awesome-rl#lectures) 51 | - [强化学习参考资料1](https://handong1587.github.io/deep_learning/2015/10/09/reinforcement-learning.html) 52 | - [强化学习参考资料2](https://github.com/memo/ai-resources) 主要关注链接中的关于强化学习的内容即可 53 | - [其他，希望大家一起补充] 54 | 55 | 56 | 57 | --------------------------------------------------------------------------------