译者注：本文编译自伯克利大学2017年春季学期课程CS294介绍页面。该课程主题选择深度增强学习，即紧跟当前人工智能研究的热点，又可作为深度学习的后续方向，值得推荐。
课程时间
2017年1月18日至5月3日。
课程前置要求
学习该课程，会假设学员对于增强学习，最优化方法和机器学习这些知识背景比较熟悉。要是学员对于这些内容不太了解，就需要根据提供的参考资料补习以下的知识点：
- 增强学习和马尔科夫决策过程（MDPs）
- MDPs的定义
- 具体算法：策略迭代和价值迭代
- 搜索算法
- 数值最优化方法
- 梯度下降和随机梯度下降
- 反向传播算法
- 机器学习
- 分类和回归问题：用什么样的损失函数，如何拟合线性或非线性模型
- 训练/测试误差，过拟合
译者注：在2016年跟着专栏翻译的CS231n课程笔记学习的知友可以发现，缺少的知识点只有增强学习和马尔科夫决策过程，学习这门课的难度降低。
对于增强学习和MDPs的介绍材料有：
- CS188 EdX course，从马尔科夫决策过程第一部分开始。
- Sutton & Barto的著作，学习第3章和第4章。
译者注：该著作重要，建议中文母语学习者打印该书，方便查阅、学习与装逼：）
- 对MDPs的简洁介绍，可以参考吴恩达这篇论文的第1章和第2章。
译者注：不想看大部头的著作就看这篇，简明扼要方便理解。
- David Silver的课程，下文有链接。
译者注：要是看完并基本掌握了David Silver的课程，这门课也就是看看了。
对于机器学习和神经网络的介绍材料有：
译者注：也就是CS231n了，算成是AK的也不太妥当，毕竟老板是李大姐，讲师还有Justin 。
译者注：拜拜亨大爷总是安心些。
译者注：本人没有看过这个课程，有学习过的知友可以在评论中简单谈谈感受。
课程安排
如下图所示，课件和参考材料会随着课程进度发布。这篇翻译的内容也会同步更新。
课程视频
原文展示了2015年的4个课程视频，在Youtube上，清晰度很低，这里就不放出了，感兴趣的知友自行查看原文。随着课程进展，本部分也更新2017年的课程视频链接。
相关课程
译者注：重要。
译者注：没必要，看吴恩达的课程。
译者注：去年我们一直在推荐，不赘述了。
相关书籍
译者注：重要，系统学习的话就打印吧。
- Szepesvari, Algorithms for Reinforcement Learning
- Bertsekas, Dynamic Programming and Optimal Control, Vols I and II
- Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming
- Powell, Approximate Dynamic Programming
泛读链接
译者注：收藏了你也不会看的，但是可以装逼：）
之前课程
2015年秋季开过同名课程，介绍链接点击这里。
课程简介翻译完毕。
学习建议
想要学习深度增强学习的知友，在我个人的看来，可能是以下几种情况：
- 看到了深度增强学习的前景，想要提前布局，提高自身价值；
- 学完了深度学习，想要继续学习人工智能领域其他内容；
- 大公司或者拿了投资的创业公司的项目组想要搞相关应用，比如BetaGo或者GammaGo：）
都挺好的，学吧！专栏成立的初心之一，就是促进这个领域的学习和交流。个人也会以这次课程为抓手，再系统性地把深度增强学习给学扎实。后续会以该课程学习为主题，在专栏进行相关内容的写作，也欢迎大家针对课程学习内容进行讨论。
如果是因为近几年人工智能突然火热起来想要学习的知友，需要知道人工智能领域历史上起起落落好几次，入坑前想好自己是不是真的感兴趣。
如果上文中的课程前置要求中三方面知识点都不太熟悉，也不建议直接学习该课程。建议先看吴恩达或者Hinton的课程，然后看CS231n，然后再来学习这门课程。
最后照例打鸡血：虽说人工智能起起落落好几次，但是这次确实是解决了之前没有解决的问题，突破了之前没有突破的水平，不是吗？相较于“呵呵，根据历史规律，人工智能也就还能火几年，步子太大要扯到蛋”的态度，我个人更倾向：
I am looking at the future with concern, but with good hope. -Albert Schweitzer
----------------------------------------------------------------------------------------
PS：我们开通了智能单元微信公众号，搜索“智能单元”就能找到，内容上会和专栏差异化。可以的话请大家关注支持一个，算是对我的鼓励，先谢过啦：）
