课程资料

• 讲稿下载：报名后可见/public/ueditor/php/upload/file/20171130/1512025905422644.pdf/public/ueditor/php/upload/file/20171031/1509430021888040.pdf

• 课程代码包：报名后可见/public/ueditor/php/upload/file/20171129/1511921917144076.zip

课程背景

设想这样一个AI程序，只要给它足够的时间，它就可以完成任何任务，无论是作曲、下棋，打游戏，还是跟你谈情说爱——这就是通用AI，一个让无数科学家们醉生梦死的终极梦想。本课程就教会你搭建这样一个初步通用的AI程序，一个可以玩各种游戏的通用学习器：“游戏高手”。首先，课程介绍了强化学习（Reinforcement）的基本概念以及关键算法；其次，我们介绍了Google在2015年发表的成果DQN网络：一个深度卷积网络与强化学习的结合物；之后，我们介绍了基于Python的游戏平台PyGame，以及如何用PyTorch实现这样一个DQN网络，从而让机器自己学习玩Flappy Bird游戏。

课后作业：

将“游戏高手”应用到其它游戏，如“星球大战”

课程目的

学完本课程，你能做到

• 了解强化学习的基本原理

• 了解深度强化学习以及实现深度强化学习的各种方法

• 了解QLearning以及DQN

• 掌握编写DQN模型的方法，并让DQN自己玩Flappy Bird游戏

• 了解关于通用人工智能的一些知识

课程详情

本课程的内容包括：

• 为什么要让AI玩游戏？

• 强化学习简介

• 深度强化学习原理

• 深度强化学习的多种路径

• DQN网络工作原理

• DQN表现结果

• DQN玩Flappy Bird的PyTorch实现

• PyGame：用Python模拟游戏的包

• Flappy Bird的Python实现

• DQN的PyTorch实现

• 效果评估

• 我们离通用AI还有多远？

• Marcus Hutter的AIXI简介

• 哥德尔机是否是终极？