适合人群：
对人工智能，强化学习方向感兴趣的同学们
学习计划：
1.建议按照课程顺序来进行学习，算法难度逐级提升
2.算法结合案例，学习完每章算法后，建议自己过一遍课程所提供的案例项目
课程目标：
掌握强化学习领域必备经典算法，熟练使用PyTorch框架进行强化学习算法开发与模型训练
课程简介：
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。
课程目录：
1 课程介绍.mp4
2 一张图通俗解释强化学习.mp4
3 强化学习的指导依据.mp4
4 强化学习AI游戏DEMO.mp4
5 应用领域简介.mp4
6 强化学习工作流程.mp4
7 计算机眼中的状态与行为.mp4
8 基本情况介绍.mp4
9 与环境交互得到所需数据.mp4
10 要完成的目标分析.mp4
11 策略梯度推导.mp4
12 baseline方法.mp4
13 OnPolicy与OffPolicy策略.mp4
14 importance sampling的作用.mp4
15 PPO算法整体思路解析.mp4
16 Critic的作用与效果.mp4
17 PPO2版本公式解读.mp4
18 参数与网络结构定义.mp4
19 得到动作结果.mp4
20 奖励获得与计算.mp4
21 参数迭代与更新.mp4
22 算法原理通俗解读.mp4
23 目标函数与公式解析.mp4
24 Qlearning算法实例解读.mp4
25 Q值迭代求解.mp4
26 DQN简介.mp4
27 整体任务流程演示.mp4
28 探索与action获取.mp4
29 计算target值.mp4
30 训练与更新.mp4
31 DoubleDqn要解决的问题.mp4
32 DuelingDqn改进方法.mp4
33 Dueling整体网络架构分析.mp4
34 MultiSetp策略.mp4
35 连续动作处理方法.mp4
36 AC算法回顾与知识点总结.mp4
37 优势函数解读与分析.mp4
38 计算流程实例.mp4
39 A3C整体架构分析.mp4
40 损失函数整理.mp4
41 整体流程与环境配置.mp4
42 启动游戏环境.mp4
43 初始化局部模型并加载参数.mp4
44 要计算的指标回顾.mp4
45 与环境交互得到训练数据.mp4
46 训练网络模型.mp4
47 卷积神经网络应用领域.mp4
48 卷积的作用.mp4
49 卷积特征值计算方法.mp4
50 得到特征图表示.mp4
51 步长与卷积核大小对结果的影响.mp4
52 边缘填充方法.mp4
53 特征图尺寸计算与参数共享.mp4
54 池化层的作用.mp4
55 整体网络架构.mp4
56 VGG网络架构.mp4
57 残差网络Resnet.mp4
58 感受野的作用.mp4
59 PyTorch框架发展趋势简介.mp4
60 框架安装方法（CPU与GPU版本）.mp4
61 PyTorch基本操作简介.mp4
62 自动求导机制.mp4
63 线性回归DEMO-数据与参数配置.mp4
64 线性回归DEMO-训练回归模型.mp4
65 常见tensor格式.mp4
66 Hub模块简介.mp4
67 卷积网络参数定义.mp4
68 网络流程解读.mp4
69 Vision模块功能解读.mp4
70 分类任务数据集定义与配置.mp4
71 图像增强的作用.mp4
72 数据预处理与数据增强模块.mp4
73 Batch数据制作.mp4
74 迁移学习的目标.mp4
75 迁移学习策略.mp4
76 加载训练好的网络模型.mp4
77 优化器模块配置.mp4
78 实现训练模块.mp4
79 训练结果与模型保存.mp4
80 加载模型对测试数据进行预测.mp4
81 额外补充-Resnet论文解读.mp4
82 额外补充-Resnet网络架构解读.mp4
数据代码.txt
评论0