GitHub（lubludrova） · lubludrova 及贡献者
RL Handbook：强化学习全面指南（开源手册）
系统学习强化学习与序贯决策的基础内容：从多臂老虎机、MDP 到值方法（动态规划、蒙特卡洛、时序差分、Sarsa、Q-Learning、DQN），并按 README 目录了解同策略与离策略策略方法的章节构成，配合章节自带的可运行示例练习。
GitHub
- 难度
- 进阶
- 形式
- 书籍
- 语言
- 英语
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
在线阅读无需账号；运行示例需自备 Python 环境。
- 补充内容
- GitHub 账号（网页写明通知设置与加星需登录，仅用于互动）
- 内容提示
- 项目成熟度：README 目录中 Model-Based 与 Advanced Topics 两部分标注为「To be done soon.」，相应章节尚未完成。
学完你能
- 解释强化学习的基本问题设定与 README 中给出的方法分类体系
- 用动态规划、蒙特卡洛与时序差分方法进行价值预测
- 说明 Sarsa 与 Q-Learning 的核心更新思路
- 了解深度 Q 网络（DQN）及其改进章节的主题范围
- 按 README 目录说出同策略策略方法与离策略策略方法两大部分的章节构成
- 在章节提供示例时运行该章节的 .py 示例代码
适合你吗
适合
适合希望系统学习强化学习基础理论与算法、并偏好数学推导结合代码示例的学习者，可作为入门到进阶的自学手册。
暂不适合
不适合只想快速调用现成 RL 库做工程落地的人，也不适合完全没有机器学习与 Python 基础的初学者。
需要先会
需要具备线性代数、概率统计基础与 Python 编程能力；网页未明确列出先修要求。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 章节目录中提供 .py 示例时可运行并修改超参数观察结果；README 说明示例是“存在时”才提供，并非每章都有。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费仓库以 MIT 许可开源，README 写明可在线阅读手册，未见付费墙或登录拦截。
内容覆盖
- Introduction：Introduction、What is Reinforcement Learning?、Taxonomy of RL Methods
- Value-Based：Multi-Armed Bandits、Markov Decision Processes、Dynamic Programming、Monte Carlo and Temporal-Difference Prediction、Sarsa and Q-Learning、Deep Q-Networks、DQN Improvements
- On-Policy Policy-Based：Policy Gradient and REINFORCE、Actor-Critic, A2C and A3C、TRPO、PPO
- Off-Policy Policy-Based：Off-Policy Policy-Based Framework、DDPG、TD3 and SAC
- Model-Based：标注为 To be done soon（正文未展示）
- Advanced Topics：标注为 To be done soon（正文未展示）
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-20
- 指南参考
- 课程主页
版权与转载
- MIT：代码可自由使用和修改，需保留版权声明。原站说明
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。