强化学习入门神器！
这几天，我收到很多留言关于如何入门强化学习，希望我能推荐Paper学习路径。
这里，我整理了关于深度强化学习的必读经典论文篇目：
深度强化学习DRL · 入门必读经典Paper
① Deep Q-learning(Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." arXiv preprint arXiv:1312.5602 (2013).) 也叫DQN
② 对DQN的改进
i. Double Q-learning(Hasselt, Hado van et al. “Deep Reinforcement Learning with Double Q-Learning.” AAAI (2015).)
i. C51(Bellemare, M. G., Dabney, W., & Munos, R. (2017, August). A distributional perspective on reinforcement learning. In Proceedings of the 34th International Conference on Machine Learning-Volume 70 (pp. 449-458). JMLR. org.)
ii. QR-DQN(Dabney, W., Rowland, M., Bellemare, M. G., & Munos, R. (2018, April). Distributional reinforcement learning with quantile regression. In Thirty-Second AAAI Conference on Artificial Intelligence.)
分布式的方法，Distributional methods
③ REINFORCEMENT (Sutton, Richard S., et al. "Policy gradient methods for reinforcement learning with function approximation." Advances in neural information processing systems. 2000.)
④DDPG (Lillicrap, Timothy P., et al. "Continuous control with deep reinforcement learning." arXiv preprint arXiv:1509.02971 (2015).)
⑤ PPO (Schulman, John, et al. "Proximal policy optimization algorithms." arXiv preprint arXiv:1707.06347 (2017).)
⑥ TD3 (Fujimoto, Scott, Herke van Hoof, and David Meger. "Addressing function approximation error in actor-critic methods." arXiv preprint arXiv:1802.09477(2018).)
⑦ SQL(Reinforcement learning with deep energy-based policies)
⑧ SAC (Haarnoja, Tuomas, et al. "Soft actor-critic: Off-policy maximum entropy deep reinforcement learning with a stochastic actor." arXiv preprint arXiv:1801.01290(2018).)
以上论文都是强化学习中经典的基石Paper，特别是DQN。是第一篇成功的结合了强化学习和深度学习的工作的论文，在许多游戏环境中超越人类水平，展示了深度强化学习的巨大潜力 。
想从强化学习领域发表论文，就一定要理解并掌强化学习领域的经典Paper，这样才能高效梳理出主要的知识框架，节约更多的时间。
所以，给大家也推荐 深度之眼 《强化学习：Deep Q-learning 论文精讲班》，跟着前辈学习可以大大节约你学习的时间。
↓ 扫描下方二维码添加班主任 ↓
↓ 回复：强化学习 即可免费报名参加 ↓
↑ 班主任：加我进直播群、领取资料哦 ↑
1
强化学习高手方法论，教你系统学习论文
深度之眼Quincy导师结合自己工作及学习经验，并配合深度之眼教研团的打磨，总结出一条强化学习的高效学习路径：
2
2场直播+录播 夯实强化学习
Step1：系统了解 强化学习 技术演化路径及发展历史
Step2：精讲强化学习基石论文 — DQN
《 PIaying Atari with Deep Reinforcement Learning 》，简称DQN。是第一篇成功的结合了强化学习和深度学习的工作的论文，在许多游戏环境中超越人类水平，展示了深度强化学习的巨大潜力 。
1套系统方法论：2步走教你啃透论文
Step1：深挖研究背景
提纲挚领，从4大维度介绍论文，深入讲解论文发表的研究背景、成果及意义，介绍论文中取得的核心成果，对比解决同一问题，已有解决方法和论文中提出的新的解决方法的优缺点，熟悉论文的整体思路和框架，建立对本篇论文的一个概貌性认识。
Step2：死磕算法模型
老师会重点讲解论文中的模型原理，深入拆解模型结构，对关键公式逐步推导，让你了解算法每一个因子是如何对结果产生影响的，掌握实验手段及结果，老师会帮你拎出论文中的关键点、创新点和启发点，节约你自己摸索的时间。
3
高手伴学，实现高效学习
· 3天高质量社群服务，导师全程陪伴
· 2场直播+录播，带给你完整的论文复现流程
· 200+学员同群交流，学习经验up up⬆⬆⬆
· 助教24小时答疑，再也不怕debug
· 专属班主任私信督学，治疗学习拖延症
重点是，如果你不知道怎么学习，购买课程后，班主任1v1给你制定学习计划！
4
完课即赠价值298元学习大礼包
为了激励大家完成学习，我们还准备了价值298元的算法工程师面试锦囊。只要完成全部课程的学习，你就能私信班主任获取！
5
学员好评，真香！
这一次，我给粉丝们申请了50个直播福利名额，参加即赠秘籍：《效率提升3倍的Paper阅读方法》
↓ 扫描下方二维码添加班主任 ↓
↓ 回复：强化学习 即可免费报名参加 ↓
↑ 班主任：加我进直播群、领取资料哦 ↑
如果你不知道怎么读论文、不知道如何正确复现论文，一定要跟着这门课程学习一次，因为正确的方法可以节约你10倍的阅读时间。
