A10 · 第 6 章 · 课程规划页
稳定性、评估与强化学习综合复习
本章研究稳定性、评估与强化学习综合复习。内容依次处理回报尺度、种子方差与学习曲线、在线离线评估、反事实估计与置信区间、奖励投机、安全约束与部署回退。
- 所在 Part
- 第三编 高级强化学习与综合复习
- 预计学习
- 55 分钟
- 建设状态
- 已规划，尚无正式正文
计划实验
本章未登记独立交互实验；定义、公式和例题仍按下列提纲规划。
LEARNING OBJECTIVES
完成本章后应能
- 01准确说明回报尺度、种子方差与学习曲线。
- 02完成在线离线评估、反事实估计与置信区间所需的推导、证明或算法。
- 03使用计算、例题或反例检验奖励投机、安全约束与部署回退。
PLANNED SECTIONS
计划章节结构
- 01
回报尺度、种子方差与学习曲线
界定回报尺度、种子方差与学习曲线，明确使用的条件、主要结论与可复核步骤。
- 02
在线离线评估、反事实估计与置信区间
推导在线离线评估、反事实估计与置信区间，明确使用的条件、主要结论与可复核步骤。
- 03
奖励投机、安全约束与部署回退
检验奖励投机、安全约束与部署回退，明确使用的条件、主要结论与可复核步骤。
计划定义
回报尺度、种子方差与学习曲线：对象、记号与前提
围绕回报尺度、种子方差与学习曲线列出主要对象、符号、前提与定义边界。
计划公式
在线离线评估、反事实估计与置信区间：关系、判据与可复核步骤
把在线离线评估、反事实估计与置信区间整理为可检查的关系、判据或算法步骤；涉及定量模型时写出公式，并说明符号、适用条件，以及需要时的单位或复杂度。
计划例题
奖励投机、安全约束与部署回退：案例、反例与核验
围绕奖励投机、安全约束与部署回退给出明确输入、前提或数据，逐步分析并用反例、误差、守恒量或边界条件复核。
计划练习
稳定性与评估与强化学习：定义、关系与边界综合练习
联结回报尺度、种子方差与学习曲线、在线离线评估、反事实估计与置信区间与奖励投机、安全约束与部署回退，分别检验定义辨析、主要步骤和适用边界。
关键词
稳定性、评估、强化学习、第三编 高级强化学习与综合复习