Gymで強化学習

Gymで強化学習シリーズの記事リストです。

強化学習の基本

• ①準備編

• ②基本的な枠組み

• ③状態とマルコフ性

• ④手動エージェント

• ⑤マルコフ決定過程

• ⑥ベルマン方程式

• ⑦グリッド・ワールド

• ⑧有限マルコフ決定過程

表形式の強化学習

動的計画法

• ⑨動的計画法：理論編

• ⑩動的計画法：準備編

• ⑪動的計画法：実装編

モンテカルロ法

• ⑫モンテカルロ法：前編

• ⑬モンテカルロ法：中編

• ⑭モンテカルロ法：後編

• ⑮モンテカルロ法：実装編

TD学習からQ学習

• ⑯TD学習法：理論編

• ⑰SARSA：実装編

• ⑱Q学習：実装編

表形式からネットワークへ

• ⑲近似的な解決方法

• ⑳Q学習と線形近似

• ㉑Qネットワークの問題

Deep Q-Network

DQN

• ㉒DQN：理論編

• ㉓DQN：実装編

• ㉔月面着陸:DQN編

Double DQN

• ㉕Double DQN:理論編

• ㉖Double DQN:実践編

Dueling DQN

• ㉗Dueling DQN:理論編

• ㉘Dueling DQN:実践編

優先度付き経験再生

• ㉙優先度付き経験再生：理論編

• ㉚優先度付き経験再生：実践①

• ㉛優先度付き経験再生：実践②

• ㉜優先度付き経験再生：実践③

• ㉝優先度付き経験再生：実践④

Atariゲームへの応用

• ㉞Atariゲーム環境:準備編

• ㉟Atariゲーム環境:実装編

• ㊱Atariゲーム環境:実験結果

ポリシーベースのアプローチ

REINFORCE

• ㊲ポリシー勾配法：理論編

• ㊳REINFORCE：理論編

• ㊴REINFORCE：実践編①

• ㊵REINFORCE：実践編②

• ㊶REINFORCE:実践編③

Actor-Critic

• ㊷Actor-Critic:理論編

• ㊸Actor-Critic:実践編

• ㊹A3C:紹介編

• ㊺A2C:理論編

• ㊻A2C:実践編

TRPOとPPO

• ㊼TRPO:理論編

• ㊽PPO:理論編

• ㊾PPO:実践編

モデルベースの強化学習

• ㊿モデルフリーとモデルベース

強化学習を理解して実践する｜澁谷直樹 @ キカベン｜note