深度强化学习 · 从试错到对齐

智能体如何在与环境的交互中通过试错最大化累积奖励？33 个知识点，带你走完 MDP → TD/Q-Learning → DQN → 策略梯度 → PPO → TD3/SAC 的算法主线，延伸到离线 RL、RLHF 与安全 RL 的前沿，并给出调参与评估的工程纪律。

学习进度加载中…