深度强化学习进阶教程

• Policy gradient theorem的证明
• 为什么 A2C 中减去 baseline 函数可以减小方差
• 步步深入TRPO
• 混合动作空间表征学习方法介绍（HyAR）
• 为什么 PPO 需要重要性采样, 而 DDPG 这个 off-policy 算法不需要
• 重参数化与强化学习