國立中興大學教學大綱

課程名稱	(中) 強化式學習(6784)
	(Eng.) Reinforcement Learning
開課單位	電機系
課程類別	選修			學分	3	授課教師	LINDOR ERIC HENRICKSON
選課單位	電系統產 / 產專班			授課使用語言	英文	開課學期	1142
課程簡述	Introduction to theory and algorithms for reinforcement learning (RL), a fundamental area of machine learning & AI where agents learn to optimally make decisions and achieve goals by interacting with their environment. This class will involve a combination of formal lectures as well as homework projects using the Python programming language.
先修課程名稱

課程與核心能力關聯配比(%)			課程目標之教學方法與評量方法
課程目標	核心能力	配比(%)	教學方法	評量方法
(1) Learn the mathematical & algorithmic foundations of Reinforcement Learning (2) Explore & understand advanced approaches to RL (e.g., Deep Q-learning, Actor-Critic, Policy Gradient) (3) Use Python to solve hands-on RL programming problems			習作 講授	出席狀況 口頭報告 作業
授課內容(單元名稱與內容、習作/每週授課、考試進度-共16週加自主學習)
週次 授課內容 第1週 Class Introduction & Reinforcement Learning Overview 第2週 Markov Decision Processes (MDPs) 第3週 Dynamic Programming - Prediction & Control 第4週 Monte Carlo Methods 第5週 Temporal Difference Learning 第6週 n-Step Temporal Difference Methods 第7週 Supervised learning, Neural networks & PyTorch 第8週 On-policy Prediction with Function Approximation 第9週 Control with Value Function Approximation 第10週 Policy Gradient Methods 第11週 Actor-Critic Methods 第12週 Evolutionary Algorithms 第13週 Continuing tasks, Rollout Algorithms, Off-policy AC, Multi-agent 第14週 Class Review 第15週 Final project presentations 第16週 Final project presentations (continued) 自主學習 內容 Supplemental lecture materials & code examples (self-study)
學習評量方式
Homework 20%, Final Project 30%, Attendance 50%
教科書＆參考書目(書名、作者、書局、代理商、說明)
Reinforcement Learning: An Introduction, 2nd Ed., R. Sutton & A. Barto (MIT Press, 2018)
課程教材（教師個人網址請列在本校內之網址）
課程輔導時間
聯合國全球永續發展目標(連結網址)
提供體驗課程：N

請尊重智慧財產權及性別平等意識，不得非法影印他人著作。
更新日期 西元年/月/日：2026/01/08 15:10:58	列印日期 西元年/月/日：2026 / 3 / 12
MyTB教科書訂購平台：http://www.mytb.com.tw/