斯坦福2019强化学习课程完结，讲义、PPT、视频已提供下载

晓查 发自 凹非寺 量子位 出品 | 公众号 QbitAI 斯坦福大学AI课程资源接二连三开始更新。上周NLP课程才结束，这周强化学习（RL）课程也已全部完结。 现在，强化学习课程讲义、PPT可以在官网下载，第一部分的课程已上传至YouTube。 本课程主讲人是斯坦福大学的助理教授Emma Brunskill。她2009年从MIT博士毕业，现在是斯坦福统计机器小组成员，2012年曾入选微软研究院Fellow。 Emma教授的主要研究方向是高风险场景下的强化学习：当获取经验的成本和风险很高时，智能体如何从经验中学习并做出正确的决策。实际应用包括教育软件、医疗决策、机器人等。 课程内容 斯坦福大 【斯坦福2019强化学习课程】是由斯坦福大学助理教授Emma Brunskill主讲的一门深入探讨强化学习（RL）的课程。Emma Brunskill教授是斯坦福统计机器学习小组的成员，她在MIT获得博士学位，并在2012年成为微软研究院的Fellow。她的研究重点集中在高风险环境下的强化学习，特别是如何在成本和风险较高的情况下，让智能体通过有限的经验学习并作出正确决策。这些应用场景涵盖了教育软件、医疗决策以及机器人技术等领域。 课程从2019年1月7日开始，每周两次课，持续10周，直至3月13日结束。课程内容全面，包括了强化学习的基础概念、策略评估、函数近似、大规模环境中的模仿学习、策略搜索、元学习以及批量强化学习等主题。旨在使学生能够： 1. 明确强化学习的核心特性，并与非交互式机器学习进行区分。 2. 将实际问题转化为RL问题，定义问题结构，并选择合适的算法来解决。 3. 实现常见的RL算法，并理解用于评估算法性能的标准。 4. 探讨探索与开发的挑战，比较不同解决方案。 为了成功参与这门课程，学生需要具备一定的先修知识，包括： - Python编程基础，熟悉numpy、TensorFlow和Keras库。 - 微积分和线性代数的知识，能够处理矩阵和向量运算。 - 概率论和统计学基础，理解概率、高斯分布、期望值和标准差。 - 机器学习基础，了解损失函数和梯度下降优化算法。 课程提供了丰富的资源供学生学习，包括： - 课程主页：http://web.stanford.edu/class/cs234/index.html - 《强化学习入门》第二版：http://incompleteideas.net/book/the-book-2nd.html - PPT下载：http://web.stanford.edu/class/cs234/schedule.html - 视频教程：https://www.youtube.com/playlist?list=PLoROMvodv4rOSOPzutgyCTapiGlY2Nd8u 通过完成这门课程，学生将具备利用强化学习方法解决实际问题的能力，并且能够使用业界标准来评估自己的学习成果。对于希望深入理解强化学习及其应用的人来说，这是一个不可多得的学习资源。