Deep Reinforcement Learning 深度增强学习资源

1 学习资料

增强学习课程 David Silver （有视频和ppt）:

http://www0.cs.ucl.ac.uk/staff/D.Silver/web/Teaching.html

最好的增强学习教材：

Reinforcement Learning: An Introduction

https://webdocs.cs.ualberta.ca/~sutton/book/the-book.html

深度学习课程 （有视频有ppt有作业）

https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/

深度增强学习的讲座都是David Silver的：

ICLR 2015 part 1 https://www.youtube.com/watch?v=EX1CIVVkWdE

ICLR 2015 part 2 https://www.youtube.com/watch?v=zXa6UFLQCtg

UAI 2015 https://www.youtube.com/watch?v=qLaDWKd61Ig

RLDM 2015 http://videolectures.net/rldm2015_silver_reinforcement_learning/

其他课程：

增强学习

Michael Littman:

https://www.udacity.com/course/reinforcement-learning–ud600

AI（包含增强学习，使用Pacman实验）

Pieter Abbeel：

https://www.edx.org/course/artificial-intelligence-uc-berkeleyx-cs188-1x-0#.VKuKQmTF_og

Deep reinforcement Learning:

Pieter Abbeel

http://rll.berkeley.edu/deeprlcourse/

高级机器人技术（Advanced Robotics）：

Pieter Abbeel：

http://www.cs.berkeley.edu/~pabbeel/cs287-fa15/

深度学习相关课程：

用于视觉识别的卷积神经网络（Convolutional Neural Network for visual network)

http://cs231n.github.io/

机器学习 Machine Learning

Andrew Ng

https://www.coursera.org/learn/machine-learning/

http://cs229.stanford.edu/

神经网络（Neural Network for Machine Learning)(2012年的）

Hinton:

https://www.coursera.org/course/neuralnets

最新机器人专题课程Penn（2016年开课）：

https://www.coursera.org/specializations/robotics

2 论文资料

https://github.com/junhyukoh/deep-reinforcement-learning-papers

https://github.com/muupan/deep-reinforcement-learning-papers

这两个人收集的基本涵盖了当前deep reinforcement learning 的论文资料。目前确实不多。

3 大牛情况：

DeepMind：

http://www.deepmind.com/publications.html

Pieter Abbeel 团队：

http://www.eecs.berkeley.edu/~pabbeel/

Satinder Singh:

http://web.eecs.umich.edu/~baveja/

CMU 进展：

http://www.cs.cmu.edu/~lerrelp/

Prefered Networks: (日本创业公司，很强，某有代码）

4 会议情况

Deep Reinforcement Learning Workshop NIPS 2015

http://rll.berkeley.edu/deeprlworkshop/

时间： 2024-12-14 06:00:27

Deep Reinforcement Learning 深度增强学习资源的相关文章

【干货总结】| Deep Reinforcement Learning 深度强化学习

在机器学习中,我们经常会分类为有监督学习和无监督学习,但是尝尝会忽略一个重要的分支,强化学习.有监督学习和无监督学习非常好去区分,学习的目标,有无标签等都是区分标准.如果说监督学习的目标是预测,那么强化学习就是决策,它通过对周围的环境不断的更新状态,给出奖励或者惩罚的措施,来不断调整并给出新的策略.简单来说,就像小时候你在不该吃零食的时间偷吃了零食,你妈妈知道了会对你做出惩罚,那么下一次就不会犯同样的错误,如果遵守规则,那你妈妈兴许会给你一些奖励,最终的目标都是希望你在该吃饭的时候吃饭,该吃零食

Deep Active Learning 深度主动学习

Deep Active Learning 最上方为监督学习,对面为非监督学习,之间包括增强学习.半监督学习.在线学习.主动学习. Supervised Learing 将未标记的数据交给Work进行标记,然后将标记数据交给Learner进行训练. Semi-Supervised Learning 在监督学习的基础上加了一条线,也就是把大量的未标记数据和少量的标记数据交给Learner进行训练,这样可以减少人工标记的时间. Active Learning 通过Learner来决定哪些数据需要被标记

深度强化学习（Deep Reinforcement Learning）的资源

来源:http://wanghaitao8118.blog.163.com/blog/static/13986977220153811210319/ Google的Deep Mind团队2013年在NIPS上发表了一篇牛x闪闪的文章,亮瞎了好多人眼睛,不幸的是我也在其中.前一段时间收集了好多关于这方面的资料,一直躺在收藏夹中,目前正在做一些相关的工作(希望有小伙伴一起交流). 一.相关文章 关于DRL,这方面的工作基本应该是随着深度学习的爆红最近才兴起的,做这方面的研究的一般都是人工智能领域的大

深度强化学习（Deep Reinforcement Learning）入门：RL base & DQN-DDPG-A3C introduction

转自https://zhuanlan.zhihu.com/p/25239682 过去的一段时间在深度强化学习领域投入了不少精力,工作中也在应用DRL解决业务问题.子曰:温故而知新,在进一步深入研究和应用DRL前,阶段性的整理下相关知识点.本文集中在DRL的model-free方法的Value-based和Policy-base方法,详细介绍下RL的基本概念和Value-based DQN,Policy-based DDPG两个主要算法,对目前state-of-art的算法(A3C)详细介绍,其他

Paper Reading 4:Massively Parallel Methods for Deep Reinforcement Learning

来源:ICML 2015 Deep Learning Workshop 作者:Google DeepMind 创新点:构建第一个用于深度增强学习的大规模分布式结构 该结构由四部分组成: 并行的行动器:用于产生新的行为 并行的学习器:用于从存储的经验中训练 分布式的神经网络:用于表示value function或者policy 分布式的经验存储 实验结果: 将DQN应用在该体系结构上,训练的水平在49个游戏中有41个游戏超过没有分布式DQN的水平,并且减少了训练时间 优点: 训练效果更好 训练时间

repost: Deep Reinforcement Learning

From: http://wanghaitao8118.blog.163.com/blog/static/13986977220153811210319/ accessed 2016-03-10 深度强化学习(Deep Reinforcement Learning)的资源 Google的Deep Mind团队2013年在NIPS上发表了一篇牛x闪闪的文章,亮瞎了好多人眼睛,不幸的是我也在其中.前一段时间收集了好多关于这方面的资料,一直躺在收藏夹中,目前正在做一些相关的工作(希望有小伙伴一起交流)

(转) 深度增强学习与通用人工智能

深度增强学习前沿算法思想 CSDN 作者: Flood Sung 2017-02-16 09:34:29 举报 阅读数:3361 作者: Flood Sung,CSDN博主,人工智能方向研究生,专注于深度学习,增强学习与机器人的研究. 责编:何永灿,欢迎人工智能领域技术投稿.约稿.给文章纠错,请发送邮件至[email protected]本文为<程序员>原创文章,未经允许不得转载,更多精彩文章请订阅2017年<程序员>? 2016年AlphaGo计算机围棋系统战胜顶尖职业棋手李世石

Deep Reinforcement Learning 基础知识（DQN方面）

Introduction 深度增强学习Deep Reinforcement Learning是将深度学习与增强学习结合起来从而实现从Perception感知到Action动作的端对端学习的一种全新的算法.简单的说,就是和人类一样,输入感知信息比如视觉,然后通过深度神经网络,直接输出动作,中间没有hand-crafted工作.深度增强学习具备使机器人实现完全自主的学习一种甚至多种技能的潜力. 虽然将深度学习和增强学习结合的想法在几年前就有人尝试,但真正成功的开端是DeepMind在NIPS 201

Paper Reading 1 - Playing Atari with Deep Reinforcement Learning

来源:NIPS 2013 作者:DeepMind 理解基础: 增强学习基本知识 深度学习 特别是卷积神经网络的基本知识 创新点:第一个将深度学习模型与增强学习结合在一起从而成功地直接从高维的输入学习控制策略 详细是将卷积神经网络和Q Learning结合在一起.卷积神经网络的输入是原始图像数据(作为状态)输出则为每一个动作相应的价值Value Function来预计未来的反馈Reward 实验成果:使用同一个网络学习玩Atari 2600 游戏.在測试的7个游戏中6个超过了以往的方法而且好几个超