Awesome Reinforcement Learning

A curated list of resources dedicated to reinforcement learning.

https://github.com/aikorea/awesome-rl

We have pages for other topics: awesome-rnn, awesome-deep-vision, awesome-random-forest

Maintainers: Hyunsoo Kim, Jiwon Kim

We are looking for more contributors and maintainers!

Table of Contents

• Codes
• Theory
  • Lectures
  • Books
  • Surveys
  • Papers / Thesis
• Applications
  • Game Playing
  • Robotics
  • Control
  • Operations Research
  • Human Computer Interaction
• Tutorials / Websites
• Online Demos
• Open Source Reinforcement Learning Platforms

Codes

• Codes for examples and exercises in Richard Sutton and Andrew Barto's Reinforcement Learning: An Introduction
• Python Code
• MATLAB Code
• C/Lisp Code
• Book
• Simulation code for Reinforcement Learning Control Problems
• Pole-Cart Problem
• Q-learning Controller
• MATLAB Environment and GUI for Reinforcement Learning
• Reinforcement Learning Repository - University of Massachusetts, Amherst
• Brown-UMBC Reinforcement Learning and Planning Library (Java)
• Reinforcement Learning in R (MDP, Value Iteration)
• Reinforcement Learning Environment in Python and MATLAB
• RL-Glue (standard interface for RL) and RL-Glue Library
• PyBrain Library - Python-Based Reinforcement learning, Artificial intelligence, and Neural network
• RLPy Framework - Value-Function-Based Reinforcement Learning Framework for Education and Research
• Maja - Machine learning framework for problems in Reinforcement Learning in python
• TeachingBox - Java based Reinforcement Learning framework
• Policy Gradient Reinforcement Learning Toolbox for MATLAB
• PIQLE - Platform Implementing Q-Learning and other RL algorithms
• BeliefBox - Bayesian reinforcement learning library and toolkit
• Deep Q-Learning with Tensor Flow - A deep Q learning demonstration using Google Tensorflow
• Atari - Deep Q-networks and asynchronous agents in Torch
• AgentNet - A python library for deep reinforcement learning and custom recurrent networks using Theano+Lasagne.

모두를 위한 딥러닝 - Deep Reinforcement Learning

1. 강좌 소개

본 Reinforcement Learning(강화학습) 강좌는 홍콩과학기술대학교의 김성훈 교수님의 ‘모두를 위한 딥러닝’ 시리즈의 두번째 강좌입니다. 앞선 강좌로  기본적인 머신러닝과 딥러닝 강좌 가 있습니다.

일주일에 한강좌씩 천천이 업데이트 예정입니다.

알파고와 이세돌의 경기를 보면서 이제 머신 러닝이 인간이 잘 한다고 여겨진 직관과 의사 결정능력에서도 충분한 데이타가 있으면 어느정도 또는 우리보다 더 잘할수도 있다는 생각을 많이 하게 되었습니다. Andrew Ng 교수님이 말씀하신것 처럼 이런 시대에 머신 러닝을 잘 이해하고 잘 다룰수 있다면 그야말로 “Super Power”를 가지게 되는 것이 아닌가 생각합니다.

더 많은 분들이 머신 러닝과 딥러닝에 대해 더 이해하고 본인들의 문제를 이 멋진 도구를 이용해서 풀수 있게 하기위해 비디오 강의를 준비하였습니다. 더 나아가 이론에만 그치지 않고 최근 구글이 공개한 머신러닝을 위한 오픈소스인 TensorFlow를 이용해서 이론을 구현해 볼수 있도록 하였습니다.

이 머신러닝, 딥러닝 강좌는 수학이나 컴퓨터 공학적인 지식이 없이도 쉽게 볼수 있도록 만들려고 노력하였습니다.

2. 도움되는 분들

• 인공지능에 대해 관심이 있는 누구나
• 머닝러신, 딥러닝의 개념을 이해하고 싶으신분
• 머닝러신의 직접 구현해보고 싶으신 분
• 앞선 기본적인 머신러닝과 딥러닝 강좌 를 학습하신 분
• 강화학습에 대해 관심이 있는 분

3. 참고자료

이 비디오는 저도 인터넷등을 통해 공부하면서 만든것이며 아래 자료를 많이 사용하였습니다.

• Andrew Ng’s and other ML tutorials
  • https://class.coursera.org/ml-003/lecture
  • http://www.holehouse.org/mlclass/ (note)
  • Deep Learning Tutorial
• Convolutional Neural Networks for Visual Recognition.
  • http://cs231n.github.io/
• Tensorflow
  • https://www.tensorflow.org
  • https://github.com/aymericdamien/TensorFlow-Examples
  • Deep learning @Udicity

4. 지식공유자 소개

김성훈

Hong Kong University of Science and Technology 에서 컴퓨터 공학쪽으로 연구를 하고 있습니다.
비디오나 강의에 대한 의견이 있으시면 아래로 이메일을 보내 주시면 됩니다.
hunkim+ml@gmail.com

Lego Technic challenge! 42036 VS 42063

몇 번씩 강조하지만 

본래 인간은 건강하게 120년 이상 

살아갈 수 있는 신체적 구조를 갖고 있다. 

그렇게 건강체로 태어난 인간이 한계 수명인 

125년을 살지 못하는 가장 커다란 원인의 하나는 

잘못된 건강관이다. 인간은 필요한 모든 것을 체내에 

갖추고 있으며 늘 건강하게 살 수 있는 존재라는 

사실을 가슴속에 담아두기 바란다. 

- 하루야마 시게오의《뇌내혁명》중에서 - 

* 125세 '한계 수명'보다

'건강 수명'이 더 중요합니다.

병원 침대에 누운 채로 120년을 넘게 산다 한들

무슨 기쁨이 있겠습니까. 가장 좋은 건강관은 

'건강은 건강할 때 지킨다'는 것입니다. 

평소 자신의 회복탄력성을 높여야

건강한 몸으로 한계 수명에 

도전할 수 있습니다. 

.

약간의 성공을 거둔 사람들은

타고난 재능이 있어야 성공을 거둘 수 있다고 생각한다.

하지만 진정으로 성공한 사람들은

어떤 목표를 향해 끊임없이 노력한 사람만이

성공을 거둘 수 있다고 생각한다.

- 톰 스템버그 (스테이플스 창립회장)

“재능은 뛰어나지만 의지와 열정이 부족한 선수와

재능은 평범하지만 의지와 열정이 탁월한 선수 중

하나를 골라야 한다면,

나는 서슴없이 후자를 택할 것이다.”

알렉스 퍼거슨 전 맨체스터 유나이티드 감독의

이야기 함께 보내드립니다.

.