摘要：
PPO DPPO介绍 PPO实现 代码DPPO 阅读全文
摘要：
DDPG DDPG介绍2 ddpg输出的不是行为的概率, 而是具体的行为, 用于连续动作 (continuous action) 的预测 公式推导 推导 代码实现的gym的pendulum游戏，这个游戏是连续动作的 pendulum环境介绍 代码实践 阅读全文
摘要：
A3C 它会创建多个并行的环境, 让多个拥有副结构的 agent 同时在这些并行环境上更新主结构中的参数. 并行中的 agent 们互不干扰, 而主结构的参数更新受到副结构提交更新的不连续性干扰, 所以更新的相关性被降低, 收敛性提高 代码实践 阅读全文
摘要：
DQN的变形 double DQN prioritised replay dueling DQN 阅读全文
摘要：
Actor Critic value-based和policy-based的结合 实例代码 阅读全文
摘要：
前面都是value based的方法，现在看一种直接预测动作的方法 Policy Based Policy Gradient 一个介绍 karpathy的博客 一个推导 推导 下面的例子实现的REINFORCE算法 实例代码 1 import sys 2 import gym 3 import py 阅读全文
摘要：
从这里开始换个游戏演示，cartpole游戏 Deep Q Network 实例代码 阅读全文
摘要：
Q-learning 实例代码 阅读全文
摘要：
Sarsa算法 实例代码 阅读全文
摘要：
蒙特卡洛方法 实例代码 下面代码是constant-α monte carlo，这里有一点介绍 阅读全文
摘要：
策略迭代 实例代码 阅读全文
摘要：
值迭代 实例代码 阅读全文