电子科技大学：《机器学习 Machine Learning》课程教学资源（课件讲稿）第18讲 强化学习 Reinforcement Learning

电子科技大学研究生《机器学习》精品课程 第18讲强化学习 Reinforcement Learning 郝家胜(Jiasheng Hao) Ph.D.,Associate Professor Email:hao@uestc.edu.cn School of Automation Engineering,Center for Robotics University of Electronic Science and Technology of China,Chengdu 611731 Awg.2015第一稿；M.2021第四稿

电子科技大学研究生《机器学习》精品课程 Email: hao@uestc.edu.cn School of Automation Engineering, Center for Robotics University of Electronic Science and Technology of China, Chengdu 611731 郝家胜 (Jiasheng Hao) Ph.D., Associate Professor Aug. 2015 第一稿；May. 2021第四稿 第18讲 强化学习 Reinforcement Learning

Previous Lectures 956 ▣Supervised learning ■ classification,regression ■CNN ■RNN Unsupervised learning clustering,KNN ■ dimensionality reduction ■DNN ■GAN 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 Previous Lectures oSupervised learning n classification, regression n CNN n RNN oUnsupervised learning n clustering, KNN n dimensionality reduction n DNN n GAN

Challenges More 例 摆杆 A66 中国国棋协会和断体育同联合谷微共同宣布： 将在5月23日到5月27日举行四瓶峰会 A1市1aG0此次与特洁对痒仅有三局比赛 分别于5月23、25、27日班行 X AlphaGo 柯洁 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 Challenges More 3

Another Method Supervised learning classification,regression ■ CNN ■ RNN Unsupervised learning clustering,KNN ■ dimensionality reduction DNN ■ GAN ▣ Reinforcement learning (RL) environment reward action new state agent 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 Another Method o Supervised learning n classification, regression n CNN n RNN o Unsupervised learning n clustering, KNN n dimensionality reduction n DNN n GAN o Reinforcement learning（RL） environment agent action reward new state

Why RL 口2017年，打败人类围棋冠军 ▣ 强化学习与其他工程和科学学科的实质性和富有成 效的交互，它与统计学、最优化和其他数学学科、 心理学等更紧密地结合在一起 在所有形式的机器学习中，强化学习最接近人类和 其他动物所做的学习，而强化学习的许多核心算法 最初都受到生物学习系统的启发 ▣ 强化学习也在某种程度上符合人工智能回归简单的 一般性原则的大趋势 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 Why RL o 2017年，打败人类围棋冠军 o 强化学习与其他工程和科学学科的实质性和富有成 效的交互，它与统计学、最优化和其他数学学科、 心理学等更紧密地结合在一起 o 在所有形式的机器学习中，强化学习最接近人类和 其他动物所做的学习，而强化学习的许多核心算法 最初都受到生物学习系统的启发 o 强化学习也在某种程度上符合人工智能回归简单的 一般性原则的大趋势

内容提要 956 口RL解决的问题 ▣RL的基本原理 口RL的典型应用 ▣RL的发展趋势 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 内容提要 6 oRL解决的问题 oRL的基本原理 oRL的典型应用 oRL的发展趋势

强化学习解决的问题 50 appllod force nmediate roward Bppled force immed rial 20,Ta6.2 sc al #20.Ta6.2 sec nmed白e reward l20.T-6. 治●g0wng:564< l0p00nc0:56. tl#20Ta620 lotal total experience:5 图A非线性系统二级倒立摆 柯洁KEJE 柯洁KEJ川E 柯洁KEJE 柯洁KEJE 02:58:39 02:36:52 01:29:49 00:59:58 ALPHAGO ALPHAGO ALPHAGO ALPHAGO 02:57:48 02:49:07 02:28:13 02:15:01 需要连续不断地做出决策，才能实现最终目标 图B AlphaGo与柯洁第二盘棋 图C机器人学习站立 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 强化学习解决的问题 7 需要连续不断地做出决策，才能实现最终目标

自主学习 分析一下动物自主学习的特点： 1、试错：尝试不同的做法（动作) 2、强化：有好处多做，没有好处少做 3、目标：是动物努力的方向，目标导向 动物（学习者）必须尝试各种动作，并且渐渐趋 近于那些表现最好的动作，以达到目标。 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 自主学习 分析一下动物自主学习的特点： 1、试错：尝试不同的做法（动作） 2、强化：有好处多做，没有好处少做 3、目标：是动物努力的方向，目标导向 动物（学习者）必须尝试各种动作，并且渐渐趋 近于那些表现最好的动作，以达到目标

例子 956 口走到电梯门口，发现等电梯的人很多 口选择：1等电梯；2走下去 口根据经验来选择，是强化学习 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 例子 o 走到电梯门口，发现等电梯的人很多 o 选择：1等电梯；2走下去 o 根据经验来选择，是强化学习

多臂老虎机问题 Multi-armed Bandits (MAB)problems $ 摇臂 K-摇臂赌博机有K个摇臂，赌徒在投入一个硬币后可随机选择 其中一个臂摇下，每个摇臂以一定的概率吐出银币（也就是赌 徒的奖赏)，但每个臂获得硬币的概率赌徒并不知道。赌徒的 目标是通过一定的策略来最大化自己的累计奖赏，即在有限的 摇臂次数下，尽可能多的获得银币奖赏。 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 多臂老虎机问题 o Multi-armed Bandits （MAB）problems K-摇臂赌博机有K个摇臂，赌徒在投入一个硬币后可随机选择 其中一个臂摇下，每个摇臂以一定的概率吐出银币（也就是赌 徒的奖赏），但每个臂获得硬币的概率赌徒并不知道。赌徒的 目标是通过一定的策略来最大化自己的累计奖赏，即在有限的 摇臂次数下，尽可能多的获得银币奖赏