【NeurlPS2019教程】微软首席研究员Katja Hofmann - 强化学习：过去、现在和未来展望，附97页ppt

导读

强化学习是一种系统的学习和决策方法。经过近几十年来发展和研究，现在RL与深度学习相结合，展示了当今RL系统的能力，并激发了人们极大的兴趣。本教程回顾了强化学习的过去，总结了一些挑战，最后展望了强化学习未来的研究可能和现实应用。

作者 | Katja Hofmann

编译 | Xiaowen

aka.ms/gameintelligence
Twitter: @katjahofmann

地址： https://neurips.cc/Conferences/2019/Schedule?showEvent=13211

目录

⊙形式化RL Formalizing RL

⊙值函数 Value Functions

⊙探索 Exploration

⊙策略梯度与Actor-Critic算法

⊙生成 Generalization

⊙结构 Structure

⊙模型 Models

⊙新的挑战

01

Formalizing RL 

形式化RL

强化学习的主要挑战：

1. 探索-利用困境 Explore-exploit
2. 信用分配问题 Credit assignment
3. 函数近似 Function approximation

贴几个资料供学习：

1. https://blog.csdn.net/xbinworld/article/details/79372777

2. https://antkillerfarm.github.io/rl/2018/11/18/RL

02

Value Functions

值函数

篇幅有限，完整内容请下载全文PPT查看，下载方式见文末。

3   

Function Approximation

函数近似

04

Exploration

探索

05

Policy Gradient and Actor Critic Approaches

策略梯度与Actor-Critic算法

篇幅有限，完整内容请下载全文PPT查看，下载方式见文末。

完整PPT下载：关注专知公众号（点击上方蓝色专知关注）

• 后台回复“NIPS2019RL” 获取强化学习：过去、现在和未来展望97页ppt链接下载索引~

更多“强化学习”相关内容，请登录专知网站www.zhuanzhi.ai，搜索“强化学习”获取更多相关资料：

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料