课程目录

开篇词 (1讲)

  1. 开篇词｜让我们带你游览强化学习的游乐园

基础篇 (5讲)

  1. 01｜强化学习概述：从马尔可夫决策过程到智能体与环境交互
  2. 02｜基于价值的强化学习：从Q-learning到Deep Q-Network
  3. 03｜基于策略的强化学习：从策略梯度到Actor-Critic
  4. 04｜模型与规划：从动态规划到蒙特卡洛树搜索
  5. 05｜探索与利用：从多臂赌博机到汤普森采样

进阶篇 (13讲)

  1. 06｜深度强化学习：从DQN到A3C
  2. 07｜基础策略梯度法：Policy Gradient
  3. 08｜优势函数：涵盖Actor Critic_GAE_TRPO
  4. 09｜重要性采样：On-policy vs. Off-policy
  5. 10｜TRPO精读：涵盖自然梯度法、全变分约束以及最终导向PPO
  6. 11｜TRPO的大语言模型时代扩展：PPO、DPO、GRPO（上）
  7. 12｜TRPO的大语言模型时代扩展：PPO、DPO、GRPO（下）
  8. 13｜大语言模型时代的RL工作流：以RLHF为代表的后训练方法
  9. 14｜强化学习前沿：从模仿学习到逆向强化学习
  10. 15｜强化学习前沿：从离散控制到连续控制
  11. 16｜强化学习前沿：离线强化学习
  12. 17｜强化学习前沿：离线强化学习之BCQ
  13. 18｜强化学习前沿：离线强化学习之CQL

应用篇 (13讲)

  1. 19｜推荐系统：从个性化推荐到广告投放（上）
  2. 20｜推荐系统：从个性化推荐到广告投放（下）
  3. 21｜机器人控制：从机械臂到自动驾驶（上）
  4. 22｜机器人控制：从机械臂到自动驾驶（中）
  5. 23｜机器人控制：从机械臂到自动驾驶（下）
  6. 24｜金融交易：从股票交易到投资组合优化（上）
  7. 25｜金融交易：从股票交易到投资组合优化（下）
  8. 26｜资源调度：从云计算到物流配送
  9. 27｜自然语言处理：从机器翻译到对话系统（上）
  10. 28｜自然语言处理：从机器翻译到对话系统（下）
  11. 29｜计算机视觉：从目标检测到图像生成
  12. 30｜强化学习平台与工具：从OpenAI Gym到Ray
  13. 31｜强化学习未来展望：从通用人工智能到人机协作

结束语 & 结课测试 (2讲)

  1. 结束语｜共赴强化学习的未来征程
  2. 结课测试｜来赴一场满分之约！