作为刚刚研一的同学，从研0开始就在导师、师兄师姐的帮助下学习 机器学习、深度学习和强化学习 ，也算是有了一些感悟和收获可以与大家分享。如果有不对的地方欢迎批评指正~ 我发现很多同学跳过了学习机器学习基础的阶段，一上来就搭建一个数字手写体识别的网络，运行成功之后就感到特别快乐（曾是我哈哈哈~）但是过一会儿就有点怅然若失，why? 这玩意儿怎么运行的？
网络上那些说零基础学习人工智能或者速成班的，一看就很假好吧。我认为想要学好人工智能，首先要掌握扎实的 数学分析、线性代数（含部分矩阵论）、概率论与数理统计 的知识，而这些是大一大二的必修课程！！~~
接下来抛出一些观点和经验：
（补充：学习学一些Git Linux的使用方法 浙大竺可桢学院 计算机那些没教的知识 不是本人哈，就是碰巧看到了觉得讲得很好~）
1. 机器学习基础和深度学习要一起学，最好先学机器学习基础再开始深度学习nndl · GitHub 复旦团队的这本书非常不错，从 机器学习基础—深度学习—深度学习高阶知识 ，可以说学完这本书的前两个部分，应对机器学习八股文考核就没有什么问题~~ （同时结合面试反向学习的思路，能够更好的拓展自己的知识面） 西瓜书+南瓜书 可以非常好的学习机器学习基础的内容~ But 说实话机器学习基础的课程一直没有找到好的，现在在上软件学院龙名盛老师的机器学习和深度学习课程，感觉是目前讲得最好的！！！
2. 深度学习不仅要学习搭积木，还要学习基本理论，甚至学习如何调参台湾大学 - 李宏毅 - 机器学习深度学习（2021/2022公开教程汇总）_哔哩哔哩_bilibili
听2021/2022的版本有很不错的收获~ 一定要完成其中的作业！！ 学习pytorch的使用方法，transformer手写一个之类的~
3. 强化学习最近非常火，如何用强化学习做控制的内容是非常热门的方向之一伯克利CS285的强化学习教程真的太棒了！！！ CS285-哔哩哔哩_Bilibili
当然啦李宏毅老师的强化学习很好入门（但是讲得不是很具体）
此外我还喜欢蘑菇书EasyRL
初探强化学习 上面这两本书也非常棒，很适合入门呀！！！
但是你要从控制方面更加理论的学习强化学习，那么我很推荐组里的这本书（先学一学上面入门的课程，就可以畅游在我们组里的教材啦~）
Reinforcement Learning for Sequential Decision and Optimal Control | SpringerLink
下载链接上边~~
（如果你学校买了Spring库，电子版可以免费下载啦~）
RL英文教材简介 | RL for Sequential Decision and Optimal Control
全书总共包括11章。第1章介绍强化学习（Reinforcement Learning, RL）概况，包括发展历史、知名学者、典型应用以及主要挑战等。第2章介绍RL的基础知识，包括定义概念、自洽条件、最优性原理与问题架构等。第3章介绍免模型RL的蒙特卡洛法，包括Monte Carlo估计、On-policy/Off-policy、重要性采样等。第4章介绍免模型RL的时序差分法，包括它衍生的Sarsa、Q-learning、Expected Sarsa等算法。第5章介绍带模型RL的动态规划法，包括策略迭代、值迭代、通用迭代架构与收敛性证明等。第6章介绍间接型RL的函数近似法，包括常用近似函数、值函数近似、策略函数近似以及所衍生的Actor-critic架构等。第7章介绍直接型RL的策略梯度法，包括On-policy gradient、Off-policy gradient、它们的代价函数与优化算法等。第8章介绍带模型的近似动态规划（ADP）方法，包括无穷时域的ADP、有限时域的ADP、ADP与MPC的联系与区别等。第9章探讨了状态约束的处理手段，它与求解可行性、策略安全性之间的关系，以及Actor-Critic-Scenery三要素求解架构等。第10章介绍深度强化学习（DRL），即以神经网络为载体的RL，包括神经网络的原理与训练，深度化挑战以及DQN、DDPG、TD3、TRPO、PPO、DSAC等典型深度化算法。第11章介绍RL的各类拾遗，包括鲁棒性、POMDP、多智能体、元学习、逆强化学习、离线强化学习以及训练框架与平台等。
编辑
