伯克利Fall2018最新CS294：深度强化学习课程

【导读】伯克利在秋季学期开设了《深度强化学习课程》，有6名老师和28节课程，是想学习强化学习的读者不可错过的一门课程。

讲师介绍

Sergey Levine，29岁，加州大学伯克利分校助理教授。Levine 研究贡献在于教会机器人如何观察，并从以往的成功案例中学习经验，将已经十分出众的图像识别分类算法用于机器人机械臂。首先，Levine给机械臂设定一些手头上很容易解决的目标(比如，拧上瓶盖)，完成之后机械臂就可以回顾之前的成功案例并从中学习经验。机器人会观测视觉系统数据如何映射到机械臂的电机信号，从而正确地完成任务。此外，机器人还会监督自己的学习过程。

个人主页：

https://people.eecs.berkeley.edu/~svlevine/

Gregory Kahn，加州大学伯克利分校博士生。主要研究目标是开发能够使机器人在现实世界中运行的算法。 致力于移动机器人的深度强化学习研究。 

https://people.eecs.berkeley.edu/~gregoryk/

Michael Chang，加州大学伯克利分校博士生。研究兴趣是归纳偏见和算法约束。

http://mbchang.github.io/

Kate Rakelly，加州大学伯克利分校博士生。研究兴趣在于视觉识别和机器人技术的交叉。

https://people.eecs.berkeley.edu/~rakelly/

Sid Reddy，加州大学伯克利分校博士生。探索机器学习、机器人技术和认知科学的交叉部分。感兴趣的是将人工智能和机器智能结合起来，以解决顺序决策问题

https://people.eecs.berkeley.edu/~reddy/

课程介绍

  

01: 课程介绍和概述

02：监督学习和模拟

03：TensorFlow和神经网络回顾

04：强化学习介绍

05：策略梯度介绍

06：actor-critic方法

07：高级Q-学习算法

08：高级actor-critic算法

09：高级策略梯度

10：优化控制和规划

11：模仿最优控制学习策略

12：从数据学习动态系统

13：高级模型学习和镜像

14：概率与变分推断

15：推断与控制

16：逆向强化学习

17：探索1

18：探索2

19：迁移学习和多任务学习

20：元学习

21：并行强化系统设计

22：高级模仿学习和开放问题

23：邀请讲者：Craig Boutilier，多伦多大学计算机科学系教授,谷歌首席科学家之一

24：邀请讲者： Kate Rakelly & Gregory Kahn

25：邀请讲者：Quoc Le，谷歌研究员

26：邀请讲者： Karol Hausman

27：Project展示

28：Project展示

课程地址：

http://rail.eecs.berkeley.edu/deeprlcourse/

深度强化学习概述