学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
探索强化学习的世界
踏上一段激动人心的强化学习（RL）探索之旅，强化学习是机器学习的一个关键分支。 这门互动课程将带你全面了解强化学习（RL）的核心原理，在这里你将掌握训练智能体的艺术，教会它们做出战略决策并最大化奖励。掌握核心概念与工具
你的探索之旅将从深入了解强化学习的独特之处开始。 你不仅会学习强化学习的基础概念，还会使用知名的 OpenAI Gym 工具包将关键强化学习算法应用于实际场景。 这种实践导向的方法可确保全面掌握强化学习的核心要点。掌握高级策略与应用
随着你的学习之旅展开，你将深入高级强化学习策略的领域，探索蒙特卡洛方法、时序差分学习和 Q-Learning 的复杂机制。 通过掌握 Python 中的这些技术，你将能够熟练训练智能体来完成各种复杂任务。将你的学习转化为现实世界的影响力
完成本课程后，你将对强化学习理论有深刻的理解，并具备在现实场景中创造性应用它的技能。 你将能够使用 Python 构建 RL 模型，为你的项目和职业发展开启无限可能。先修要求
课程体系
课程大纲
1
强化学习入门
走进强化学习（RL）的精彩世界，了解其基础概念、角色与应用。带您梳理 RL 框架，理解智能体与环境的交互。您还将学习如何使用 Gymnasium 库创建环境、可视化状态并执行动作，从而为 RL 概念与应用打下实践基础。
2
基于模型的学习
进一步聚焦 RL 中的基于模型学习。剖析马尔可夫决策过程（MDP），理解其关键组成部分。通过学习策略与价值函数来提升您的技能。掌握策略迭代与价值迭代等策略优化方法。
3
无模型学习
踏入 RL 中无模型学习的动态领域。首先认识基础的蒙特卡罗方法，并应用首次访问与每次访问的蒙特卡罗预测算法。随后过渡到时序差分学习，探索 SARSA 算法。最后深入 Q-learning，并分析其在复杂环境中的收敛性。
4
无模型 RL 的高级策略
深入无模型 RL 的高级策略，重点提升决策算法。学习 Expected SARSA，以获得更准确的策略更新；以及 Double Q-learning，用于缓解过度估计偏差。探索探索—利用权衡，熟练掌握 epsilon-greedy 与 epsilon-decay 等最优动作选择策略。解决多臂老虎机问题，应用策略应对不确定条件下的决策挑战。
Python 中的 Gymnasium 强化学习
课程已完成
