欢迎学习《自适应环境机器人强化学习实用技术视频教程》课程，本课程将学习构建无需明确指示即可自动学习在其环境中表现良好的机器人。
类型：电子学习 | MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz
语言：英语 | 大小：2.47 GB | 时长：2h 40m
你会学到什么
- 了解强化学习与其他 AI 范式之间的差异。
- 识别可以应用强化学习的机器人领域。
- 将机器人技术中的问题定义为强化学习问题。
- 应用多臂老虎机算法(Multi-Armed Bandit algorithm)帮助机器人自动学习预期行为。
- 在机器人环境中为强化学习开发奖励函数。
- 使用 Python 控制 EV3 Mindstorms 机器人上的传感器和执行器。
- 编写可以自动学习在其环境中采取的最佳行动的简单机器人。
- 了解多臂老虎机算法(Multi-Armed Bandit algorithm)。
- 使用各种策略平衡探索和开发。
要求
- 能够理解 Python 中的基本 OOP 程序。
- 基本代数技能。如果你知道如何加、减、乘和除数，那么你就适合这门课程。
描述
如果您没有适当的动手指导，那么深入学习强化学习似乎会让人望而生畏。很多时候，人们问我是否应该在深入学习强化学习之前掌握深度学习，我的回答一直是“这取决于你想用 RL 做什么”。就其自身而言，RL 是一个广泛的领域。有一些经典的 RL 算法可以在没有任何深度学习经验的情况下学习和应用。还有深度强化学习，它利用神经网络帮助 RL 代理通过具有奖励功能的试错来学习其环境中的正确行为。
本课程旨在成为 RL 及其在机器人技术中应用的最简单、最快的基本入门点。从第一个视频到最后一个视频，我在机器人技术的背景下解释了 RL 中的每个概念。我是有意这样做的，因为我想让你很容易知道何时以及如何在机器人技术中应用 RL 技术。这不是一门高级课程。相反，当您开始学习 RL（没有任何先验知识）并且您有兴趣能够轻松地将所学知识应用到机器人项目中时，它是您的最佳选择。
尽管我在动手实施课程中使用了 EV3 Mindstorms 机器人套件中的传感器和执行器，但您不一定要使用该套件才能从本课程中获得最佳效果。如果您拥有该套件，它肯定会增强您的学习体验，但如果您没有，请不要担心。如果没有该套件，您仍然可以理解这些概念并将其应用于任何机器人平台。我希望在完成本课程后，您对 RL 的热情将被点燃，您将进一步学习以了解更高级的算法和技术。
因此，虽然本课程不会教您如何在机器人项目中构建超人能力，但您肯定会学习如何对机器人进行编程，使其在其环境中表现良好，而无需明确说明什么是“适当的行为”。
本课程适用于谁
- 任何具有基本 Python 技能并希望通过机器人技术开始强化学习的人。
- 希望将强化学习应用于实际业务问题的经验丰富的 AI 工程师、ML 工程师、数据科学家和软件工程师。
- 寻求如何在他们的领域中利用人工智能的机器人工程师。
- 机器人爱好者希望在他们的项目中添加简单的 AI 功能。