我们将深度Q-Learning成功背后的理念与持续的 动作域。我们提出了一种基于确定性模型的无模型算法 可以在连续动作空间上操作的策略梯度。使用 同样的学习算法，网络结构和超参数，我们的算法 稳健地解决20多个模拟物理任务，包括经典 如手推车摆动、灵巧操作、腿部运动等问题 还有开车。我们的算法能够找到性能具有竞争力的策略 与那些发现的规划算法完全访问的动态 域及其衍生物的。我们进一步证明，对于许多 任务算法可以“端到端”学习策略：直接从原始像素输入。

强化学习范式原则上允许复杂行为 直接从简单的奖励信号中学习。然而，在实践中，情况确实如此 常见的手工设计奖励功能，以鼓励特定的 解决方案，或从演示数据中导出。本文探讨了如何丰富 环境有助于促进复杂行为的学习。明确地 我们在不同的环境环境中培训代理人，并发现这鼓励了他们 在一系列任务中表现良好的稳健行为的出现。 我们为运动演示了这一原则——众所周知的行为 他们对奖励选择的敏感度。我们在一个平台上训练几个模拟物体 使用一个简单的奖励功能，可以设置各种具有挑战性的地形和障碍 基于向前的进展。使用一种新的可伸缩策略梯度变体 强化学习，我们的特工可以根据需要学习跑、跳、蹲和转身 在没有明确的基于奖励的指导的环境下。对……的视觉描绘 学习行为的要点可以在本视频中查看。

与抽象状态相关联．这种关联性信息可以产生对应 问题的学习 技 巧（也 称 为 Ｏｐｔｉｏｎ）．例 如，在 著 名 的 出租车问题中［８７］，其中的一组抽象状态是出租车起 始和乘客所处的位置，那么此时Ｏｐｔｉｏｎ就是从出租 车起始位置到乘客所处位置的一系列动作组合．很 明显，生成的Ｏｐｔｉｏｎ相当于ｈ－ＤＱＮ模型中设定的 中间目标，省去了复杂的人工设定中间目标的过程， 并使得学习到的Ｏｐｔｉｏｎ与具体的学习任务无关．因 此在相同的状态空间下，该模型具有很强的泛化性． ６．３　深度后续强化学习 一般地，在 只 给 定 原 始 输 入 观 察 和 奖 赏 值 的 情况下，通 过 基 于 模 型（ｍｏｄｅｌ－ｂａｓｅｄ）或 者 模 型 无 关（ｍｏｄｅｌ－ｆｒｅｅ）的ＤＲＬ算 法 可 以 学 习 到 鲁 棒 的 值 函数．后 续 状 态 表 示 法（Ｓｕｃｃｅｓｓｏｒ　Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ， ＳＲ）为学习值函数提供了第３种选择．ＳＲ将值函数 分解为两个部分：后续状态映射图（ｓｕｃｃｅｓｓｏｒ　ｍａｐ） 和立即奖赏指示器（ｒｅｗａｒｄ　ｐｒｅｄｉｃｔｏｒ）．后续状态映 射图表示在给定当前状态下到达未来某一状态占有 率的期望．立即奖赏指示器表示从状态到奖赏值的 映射．在ＳＲ中，这两个部分以内积的形式构成值函 数．基于上述理论知识，Ｋｕｌｋａｒｎｉ等人［８８］将ＳＲ的应 用范围扩展到大规模状态空间的ＤＲＬ问题中，提出 了深度后续强化学习（Ｄｅｅｐ　Ｓｕｃｃｅｓｓｏｒ　Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ，ＤＳＲＬ）． ２１ 计　　算　　机　　学　　报 ２０１８年

包含ANN、SVM、强化学习等知识点，不同知识点分别单独一个ppt课件文件

OpenAI的Spinning UP（https://spinningup.openai.com/en/latest/spinningup/keypapers.html）对于入门深度强化学习是很好的资料，其中推荐了105篇非常经典的论文，这对于想要从事深度强化学习研究的初学者来说极具参考意义。 本人花了一点时间把所有论文下载并按照网页上的分类整理了下来。

深度强化学习课程的高清课间资源，对于学习深度学习以及强化学习理论的研究人士很有帮助

这个是安徽省的博弈大赛爱恩斯坦棋项目的深度学习代码，可以运行和使用，希望能帮助大家更好的进行比赛！！！

文献翻译，格式做的比较认真，公式图片都做了翻译，格式符合规范。适用于作业，课设，毕设文献翻译

强化学习实战系列（2020最新）视频教程分享，完整版，附源码+数据集，百度网盘下载，希望大家喜欢

强化学习实战系列（2020最新），完整版11章，2020年最新课程 强化学习系列课程主要包括经典算法原理讲解与案例实战两大部分。通俗讲解当下主流强化学习算法思想，结合实例解读算法整理应用流程并结合案例展开代码实战。整体风格通俗易懂，适合准备入门强化学习并进阶提升的同学们。