| 资源(33) | 时长( 00:00:00) | 播放量(44142) |
|---|---|---|
1.1马尔可夫过程 |
/ | 1447 |
|
1.2马尔可夫决策过程 |
/ | 0 |
|
1.3环境已知与未知 |
/ | 1458 |
|
1.4环境的确定性与随机性 |
/ | 1451 |
|
1.5强化学习的应用 |
/ | 1450 |
|
2.1 MAB问题描述 |
/ | 0 |
|
2.2 简单策略和贪婪策略 |
/ | 1444 |
|
2.3 探索利用平衡 |
/ | 1447 |
|
2.4 探索与利用的意义 |
/ | 1451 |
|
2.5 epsilon贪心策略 |
/ | 1450 |
|
3.1 三连棋游戏第一步走中间 |
/ | 1455 |
|
3.2 三连棋游戏第一步走角落 |
/ | 1454 |
|
3.3 状态价值的定义与思想 |
/ | 1453 |
|
3.4 策略迭代法 |
/ | 1619 |
|
3.5 值迭代法 |
/ | 1622 |
|
4.1 状态-动作价值函数 |
/ | 1622 |
|
4.2 Sarsa |
/ | 1628 |
|
4.3 Q-learning |
/ | 1639 |
|
4.4 Q-learning和Sarsa的对比 |
/ | 1643 |
|
4.5 DQN |
/ | 0 |
|
5.1 Gym简介和环境加载 |
/ | 0 |
|
5.2 Gym的使用方法 |
/ | 1643 |
|
5.3 Sarsa和Q-learning在悬崖寻路问题上的实现 |
/ | 1642 |
|
6.1 基于策略的思想 |
/ | 1647 |
|
6.2 随机性策略梯度方法 |
/ | 1655 |
|
6.3 策略梯度定理的推导 |
/ | 1660 |
|
6.4 蒙特卡罗方法 |
/ | 1689 |
|
6.5 REINFORCE算法 |
/ | 1693 |
|
7.1 策略梯度方法的缺点 |
/ | 1690 |
|
7.2 Actor-Critic的思想 |
/ | 0 |
|
7.3_7.4 Actor-Critic的算法流程 |
/ | 1690 |
|
7.5 广义优势函数估计 |
/ | 1694 |
|
7.6 DDPG的算法流程 |
/ | 1706 |