趋近智
强化学习中级技术
章节 1: 回顾强化学习基本原理
强化学习问题设置
马尔可夫决策过程 (MDP) 回顾
价值函数与贝尔曼方程
表格型求解方法：Q学习和SARSA
表格方法的局限性
章节 2: 深度Q网络 (DQN)
函数近似的简介
使用神经网络进行Q值近似
DQN 算法架构
经验回放机制
固定Q目标 (目标网络)
DQN训练的损失函数
动手实践：在CartPole上实现DQN
章节 3: DQN的改进与变体
Q-学习中的估值过高问题
双重DQN (DDQN)
对偶网络架构
DQN改进的结合
优先经验回放 (简要概述)
实践：实现双DQN
章节 4: 策略梯度方法
基于价值方法的局限性
策略直接参数化
策略梯度定理
REINFORCE 算法
理解策略梯度中的方差
方差减少的基线
动手实践：实现REINFORCE算法
章节 5: Actor-Critic 方法
结合策略和价值评估
Actor-Critic 架构概述
优势演员-评论家 (A2C)
异步优势参与者-评价者算法 (A3C)
Actor-Critic 实现的考量
对比：REINFORCE 与 A2C/A3C
实践：开发 A2C 实现
策略梯度定理
这部分内容有帮助吗？
- Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, 2018 (MIT Press) - 权威教科书，涵盖强化学习的理论基础，包括策略梯度定理的详细推导、解释及其应用。
- Simple statistical gradient-following algorithms for connectionist reinforcement learning, Ronald J. Williams, 1992 Machine Learning, Vol. 8 (Kluwer Academic Publishers, Boston) DOI: 10.1007/BF00992696 - 介绍了REINFORCE算法，该算法是策略梯度定理的直接应用，并为策略梯度方法提供了基础见解。
- CS285: Deep Reinforcement Learning, Lecture 5: Policy Gradients I, Sergey Levine, 2020 (UC Berkeley) - 深度强化学习课程的讲义，提供了策略梯度方法、其推导和实际考虑的现代视角。