绪论 1.1 绪论 强化学习板块Ⅰ-基础知识 1.1 强化学习的基本概念 1.2 马尔可夫决策问题模型 1.3 强化学习值函数（上） 1.3强化学习值函数（下） 1.4从值函数计算最优策略 强化学习板块Ⅰ-课堂实录 强化学习板块Ⅰ-PPT 课后习题 强化学习板块Ⅱ-表格型求解法 2.1 动态规划算法（上） 2.1动态规划算法（下） 2.2 蒙特卡罗算法 2.3 时差分方法 2.4 Q-Learning算法 强化学习板块Ⅱ-课堂实录 强化学习板块Ⅱ-文档下载 强化学习板块Ⅱ-单元测验 强化学习板块Ⅲ-深度强化学习基础 3.1 深度神经网络与值函数 3.2 DQN算法 3.3 DQN算法原理 3.4 策略梯度原理 3.5 策略梯度示例 3.6 DPG算法 3.7 TRPO算法 3.8 PPO算法 深度强化学习-课堂实录I 深度强化学习-课堂实录II 强化学习板块Ⅲ-代码 强化学习板块Ⅲ-单元测验 强化学习板块Ⅳ-多智能体强化学习 4.1 多智能体强化学习基础 4.2 MADDPG算法 4.3 QMIX算法 多智能体强化学习算法-课堂实录 强化学习板块Ⅳ-单元测验 深度学习板块Ⅰ 1.1 人脑神经网络和人工神经网络 1.2 人工神经元 1.3 前馈神经网络 深度学习板块Ⅰ-课堂实录 深度学习板块Ⅰ-文档下载 深度学习板块Ⅰ-课后习题 深度学习板块Ⅱ 2.1 多层神经网络的参数学习 2.2 梯度下降方法 2.3 反向传播算法 深度学习板块Ⅱ-课堂实录 深度学习板块Ⅱ-PPT 深度学习板块Ⅱ-课后习题 深度学习板块Ⅰ&Ⅱ-公开课 人工神经网络（上）-公开课 多层全连接前馈神经网络-公开课 深度学习板块Ⅲ-卷积神经网络 3.1 卷积神经网络（上） 3.1 卷积神经网络（下） 3.2-3.4 其他卷积种类 深度学习板块Ⅲ-课堂实录PPT 深度学习板块Ⅳ-循环神经网络 4.1 循环神经网络基础 4.2 LSTM 4.3 扩展到图结构 深度学习板块Ⅳ-文档下载 深度学习板块Ⅴ-TRANSFORMER 5.1 从RNN到TRANSFOMER 5.2 序列到序列的RNN模型 5.3 注意力机制 5.4-5 TRANSFORMER模型及应用 深度学习板块Ⅴ-课堂实录PPT 深度强化学习板块-多机器人集群控制 1.1 多机器人集群 1.2 多智能体信息融合 1.3 多智能体协调的学习控制方法 多智能体板块-课堂实录 机器人集群板块-PPT 深度强化学习板块-单元测验 搜索求解板块Ⅰ 1.1 搜索-问题定义 1.2 搜索-树搜索 1.3 搜索-广度优先 1.4 搜索-深度优先 1.5 搜索-一致代价 搜索求解板块Ⅰ-课后习题 搜索求解板块Ⅱ-启发搜索与博弈搜索 2.1 启发搜索-启发函数 2.2 启发搜索-A*算法 2.3 博弈搜索-对抗游戏 2.4 博弈搜索-MINMAX算法 2.5 博弈搜索-alpha_beta算法 搜索求解板块Ⅱ-课后习题 搜索求解板块Ⅲ-约束满足 3.1 约束满足-问题定义 3.2 约束满足-回溯搜索 3.3 约束满足-约束传播 3.4 约束满足-树结构 搜索求解板块Ⅲ-单元测验 机器学习板块 机器学习-绪论 机器学习板块-数学基础 机器学习-高等代数 机器学习-高等数学Ⅰ 机器学习-高等数学Ⅱ 机器学习-高等数学Ⅲ 机器学习-概率初步 机器学习-统计回归 机器学习-增量计算 知识推理板块 不确定性推理-贝叶斯网络III 不确定性推理-D-分离I 不确定性推理-D-分离II 不确定性推理-D-分离III 知识表示-一阶谓词 知识表示-产生式 确定性推理-推理概念 确定性推理-自然演绎 不确定性推理-概率回顾I 不确定性推理-概率回顾II 不确定性推理-概率回顾III 不确定推理-贝叶斯网络I 不确定性推理-贝叶斯网络II 知识推理板块-单元测验 实践内容 DQN程序 A3C程序 Pybullet安装 GYM 通用强化学习框架 裂缝检测实践 论文报告 IJCAI 2022-Efficient Neural Neighborhood Search for Pickup and Delivery Problems NeurIPS 2020-Early-Learning Regularization Prevents Memorization of Noisy Labels NeurIPS 2021-Medical Dead-ends and Learning to Identify High-Risk States and Treatments ICML 2023-LoSparse: structured compression of large language models based on low-rank and sparse approximation NeurIPS 2022-Outlier Suppression: Pushing the Limit of Low-bit Transformer Language Models