Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 18: RL Policy Optimization

摘要

第 18 講由 Dr. Daniele Gammelli 主講，深入探討無模型強化學習中的策略最佳化方法。觀眾可學習如何設計與調整強化學習策略以提升自主系統效能。

This lecture covers policy optimization in model-free reinforcement learning for autonomous systems.

這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。

適合誰看

適合具備機器學習基礎、正在研究強化學習或開發自主系統的研究人員與工程師。

摘要依據

依據

標題與說明欄（還沒有取得字幕或內文）

為什麼排在這裡

人氣

0.51

新鮮

0.81

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 19: Model-Based RL影片 ・ Stanford Online ・ 1 小時 22 分
• Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 14: Intro to IL and RL影片 ・ Stanford Online ・ 1 小時 14 分
• MIT 6.S191 (2024): Reinforcement Learning影片 ・ Alexander Amini ・ 1 小時
• Policy Gradient Algorithms文章 ・ Lilian Weng（部落格）
• MIT 6.S191: Reinforcement Learning影片 ・ Alexander Amini ・ 59 分鐘