[udemy]前沿人工智能：Python 中的深度强化学习 | Cutting-Edge AI: Deep Reinforcement Learning in Python

前沿人工智能：Python 中的深度强化学习

Cutting-Edge AI: Deep Reinforcement Learning in Python

你将学到什么

理解 A2C 算法的前沿实现（OpenAI Baselines）
理解和实现 AI 的进化策略 (ES)
理解和实现 DDPG（深度确定性策略梯度）

要求

了解 MDP（马尔可夫决策过程）和强化学习的基础知识有助于学习
我的前两门强化学习课程
了解如何在 Tensorflow 中构建卷积神经网络

描述

欢迎来到尖端人工智能！

从技术上讲，这是我的深度学习系列的第 11 部分 Python 中的深度学习，也是我的第三门强化学习课程。

深度强化学习实际上是 2 个主题的组合：强化学习和深度学习（神经网络）。

虽然这两者已经存在了很长一段时间，但直到最近深度学习才真正起飞，随之而来的是强化学习。

深度学习的成熟推动了自 1980 年代以来一直存在的强化学习的进步，尽管它的某些方面，例如贝尔曼方程，已经存在了更长的时间。

最近，这些进步使我们能够展示强化学习的强大功能。

我们已经看到 AlphaZero 如何仅使用自我对弈来掌握围棋游戏。

这是在最初的 AlphaGo 击败围棋世界冠军之后的几年。

我们已经看到现实世界的机器人学习如何走路，甚至在被踢倒后恢复，尽管只是使用模拟进行训练。

模拟很好，因为它不需要昂贵的实际硬件。如果您的代理跌倒，则不会造成真正的损害。

我们已经看到现实世界的机器人学会了手的灵巧性，这是一项不小的壮举。

走路是一回事，但这涉及粗略的运动。手的灵巧性很复杂——你有很多自由度，而且其中的许多力量都非常微妙。

想象一下用你的脚做一些你通常用手做的事情，你会立即明白为什么这会很困难。

最后但并非最不重要的 – 电子游戏。

即使仅考虑过去几个月，我们也看到了一些惊人的发展。AI 现在正在 CS:GO 和 Dota 2 中击败职业选手。

那么，这门课程与前两门课程有何不同呢？

既然我们知道深度学习与强化学习一起工作，那么问题就变成了：我们如何改进这些算法？

本课程将向您展示几种不同的方式：包括强大的 A2C（Advantage Actor-Critic）算法、DDPG（深度确定性策略梯度）算法和进化策略。

进化策略是一种全新的强化学习方法，它抛弃了所有旧理论，转而采用一种更“黑匣子”的方法，受生物进化的启发。

这门新课程的另一个优点是我们可以看到的各种环境。

首先，我们将看看经典的 Atari 环境。这些很重要，因为它们表明强化学习代理可以仅基于图像进行学习。

其次，我们要看看 MuJoCo，它是一个物理模拟器。这是构建能够在现实世界中导航并理解物理的机器人的第一步——我们首先必须证明它可以与模拟物理一起工作。

最后，我们来看看几年前大家最喜欢的手机游戏《Flappy Bird》。

感谢您的阅读，我们课堂上见！

“如果你不能实现它，你就不会理解它”

或者正如伟大的物理学家理查德费曼所说：“我无法创造的东西，我不明白”。

我的课程是您将学习如何从头开始实施机器学习算法的唯一课程

其他课程会教你如何将数据插入库中，但你真的需要 3 行代码的帮助吗？

在用 10 个数据集做同样的事情之后，你意识到你没有学到 10 件事。你学到了一件事，只是重复了同样的 3 行代码 10 次……

建议的先决条件

结石

可能性

面向对象编程

Python 编码：if/else、循环、列表、字典、集合

Numpy 编码：矩阵和向量运算

线性回归

梯度下降

了解如何在 TensorFlow 中构建卷积神经网络 (CNN)

马尔可夫决策过程 (MDP)

我应该按什么顺序上课？

查看讲座“机器学习和 AI 先决条件路线图”（可在我的任何课程的常见问题解答中找到，包括免费的 Numpy 课程）

本课程面向

希望将强化学习应用于其工作和项目的学生和专业人士
任何想要学习尖端人工智能和强化学习算法的人