阶段 09

强化学习

Agents that learn by doing. The foundation of RLHF.

01MDP、状态、动作与奖励Learn~45 minutes 02动态规划——策略迭代与价值迭代Build~75 minutes 03蒙特卡洛方法——从完整回合中学习Build~75 minutes 04时序差分——Q-learning 与 SARSABuild~75 minutes 05深度 Q 网络（DQN）Build~75 minutes 06策略梯度——从零实现 REINFORCEBuild~75 minutes 07Actor-Critic —— A2C 与 A3CBuild~75 minutes 08近端策略优化（PPO）Build~75 minutes 09奖励建模与 RLHFBuild~45 minutes 10多 Agent 强化学习Build~45 minutes 11Sim-to-Real 迁移Learn~45 minutes 12游戏中的强化学习——AlphaZero、MuZero 与 LLM 推理时代Build~120 minutes 13GRPO 与可验证奖励强化学习（RLVR）Build~70 minutes测验

“Stay hungry, stay foolish.”

— Steve Jobs