強化学習

基本

• 強化学習とは
• マルコフ決定過程
• ベルマン方程式
• 方策反復法（動的計画法）
• 実用例

行動選択手法など

• ε-greedy選択
• softmax行動選択
• UCBアルゴリズム

代表的な学習アルゴリズム

• TD学習
• Q学習
• SARSA
• アクタークリティック
• SARSAとQ Learningの違い

深層強化学習関連

• Deep-Q-Network
• Double Deep Q Network
• Duel Network
• Prioriy memory
• DDPG

マルチエージェント強化学習

• マルチエージェント強化学習とは
• マルチエージェント強化学習の分類
• Joint Action Learners(JAL)
• Win or Learn Fast-PHC(WoLF-PHC
• Minimax Q Learning
• Nash Q Learning

方策勾配法

• 方策勾配定理
• 方策勾配定理の証明

モデルベース強化学習

• Dyna-Q

Reward Shaping

• Reward Shapingとは
• Potential-based Reward Shapingの実装
• Q-Value Initialization

ライブラリ

ライブラリ

keras-rl

• keras-rlを試してみる
• keras-rlで連続値の行動を扱えるDDPGを試す
• keras-rlでDDQNを試す

tensorforce

• tensorforceを試してみる

その他

基礎用語

• 学習率
• 方策
• 状態価値、状態行動価値

機械学習スタートアップシリーズ Pythonで学ぶ強化学習 [改訂第2版] 入門から実践まで

強化学習アルゴリズム入門: 「平均」からはじめる基礎と応用