强化学习是一种非常重要 AI 技术，它能使用奖励（或惩罚）来驱动智能体（Agents）朝着特定目标前进，比如它训练的 AI 系统 AlphaGo 击败了顶尖围棋选手，它也是 DeepMind 的深度 Q 网络（DQN）的核心部分，它可以在多个 Workers 之间分步学习，例如，在 Atari 2600 游戏中实现『超人』性能。麻烦的是，强化学习框架需要花费大量时间来掌握一个目标，而且框架往往是不灵活和不总是稳定的。
但不用担心，Google 近日发布了一个替代方案：基于 TensorFlow 的开源强化学习框架 Dopamine（多巴胺）。 Google 的博文中提到，这个基于 Ten[……]
Gym 是 OpenAI 发布的用于开发和比较强化学习算法的工具包。使用它我们可以让 AI 智能体做很多事情，比如行走、跑动，以及进行多种游戏。目前，它运行在支持 Python 3.5 和 3.6 的 Linux、MacOS 和 Windows 系统上。
OpenAI 近日发布了完整版游戏强化学习研究平台 —— Gym Retro。在本次发布之后，OpenAI 公开发布的游戏数量将从大约 70 个雅达利和 30 个世嘉游戏增加到了 1,000 多个游戏，其中包括对任天堂 Game boy 等各种模拟器的支持。此外，OpenAI 还将发布用于向 Gym 平台添加新游戏的工具。
Ope[……]
UC Berkeley 最近发布了 CS 294: Deep Reinforcement Learning, Fall 2017 —— 深度强化学习的开放课程资源（中文翻译），这个课适合已经有一定机器学习基础的同学学习。同时，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。
深度强化学习可以说是人工智能领域现在最热门的方向，吸引了众多该领域优秀的科学家去发掘其能力极限。而深度强化学习本身也由于其通用性备受各个应用领域推崇，从端对端游戏控制、机器人手臂控制、推荐系统，甚至也来到了自然语言对话系统。然而如何在日新月异，几乎每日都在更新迭代的深度[……]
DeepMind 最近开源的强化学习环境 Control Suite，相比 OpenAI Gym，它拥有更多的环境，更易于阅读的代码文档，同时更加专注于持续控制任务。Control Suite 基于 Python，由 MuJoCo 模拟物理引擎提供支持。
完整的 DeepMind Control Suite + MuJoCo 套件，既是一套面向科研强大的强化学习（Reinforcement Learning）智能体性能评估基准；同时，又是一套完整的机器人模拟全仿真教学 Python 库。
项目GitHub地址[……]
