在这篇综述性文章中，作者详尽地介绍了多智能强化学习的理论基础，并阐述了解决各类多智能问题的经典算法。此外，作者还以 AlphaGo、AlphaStar为例，概述了多智能体强化学习的实际应用。近年来，随着强化学习在多个应用领域取得了令人瞩目的成果，并且考虑到

在最近的 NeurlPS 2019 强化学习赛事中，百度凭借其自研的强化学习框架 「PARL」 再次夺冠。机器学习领域顶级会议 NeurIPS 2019 将于 12 月 8 日-14 日在加拿大温哥华开幕。不久之前，大会公布了论文评审结果，今年大会共收到

强化学习在过去的十年里取得了巨大的发展，如今已然是各大领域热捧的技术之一，今天，猿妹和大家推荐一个有关强化学习的开源项目。这个开源项目是通过PyTorch实现了17种深度强化学习算法的教程和代码库，帮助大家在实践中理解深度RL算法。创建者计划尽快添加更多的

论文讨论了如何利用场景先验知识 来定位一个新场景中未曾见过的物体。举例来说，在「厨房」这一场景中，有一张图片显示「苹果」在冰箱的储物架上，同为水果的物体，如「橙子」，会出现在场景的哪个位置呢？论文提出了用基于强化学习的方法来定位「橙子」。任务的具体目标是，

本文介绍了该课程主要讨论的强化学习主题，读者可根据兴趣爱好与背景知识选择不同部分的课程。请注意，UC Berkeley 的 CS 294 并未被归类为在线开放课程，所有视频的使用权仅限个人学习。本课程将假定你已了解强化学习、数值优化和机器学习的相关背景知识

设想一个每天乘坐列车来回跋涉的通勤者。大多数早上列车准时运行，她可以轻松愉快地参加第一个早会。具体来说，贝尔曼方程将我们当前的平均预测结果与未来的平均预测结果联系起来。贝尔曼方程使得每一次预测按顺序进行，并在新信息的基础上更新预测结果。在新论文中，我们表示

在本文中，我将介绍一个新项目，该项目试图通过在Python笔记本中完全定义和解决一个简单任务来帮助学习强化学习。本文将解释环境和基本方法，所有代码都在以下链接中发布。此外，我创建了一个“Meta”笔记本，可以轻松分叉，只包含定义的环境供其他人尝试、调整和应

用动态规划去解决强化学习的相关问题基本够了，但还是有很多限制。比如，你知道现实世界问题的状态转移概率吗？你能从任意状态随机开始吗？你的MDP是有限的吗？好消息是，蒙特卡罗方法能解决以上问题！本文部分内容取自Sutton的经典教材《强化学习》，并提供了额外的

斯坦福大学博士生、师从李飞飞教授的Jim Fan（范麟熙）以轻松有趣的方式介绍了强化学习和游戏渊源以及强化学习在现实生活中的应用：机器人、World of Bits、金融、广告业、环境和能源等等。今天是《强化学习炼金术》Introduction第三讲。我们

AI 前线导读：作为独立于监督和非监督机器学习之外的机器学习重要分支，强化学习在多学科多领域中发挥了重要的决策支持作用。有效地模拟世界的许多方面包含后续的状态变量支持多种时间尺度避免在原始时间步长上模拟世界。

文本生成通过 机器学习 + 自然语言处理 技术尝试使AI具有人类水平的语言表达能力，从一定程度上能够反应现今自然语言处理的发展水平。下面用极简的描述介绍一下文本生成技术的大体框架，具体可以参阅各种网络文献，论文等。GAN对于大家而言想必已经脍炙人口了，这里