(
课件网) 第六单元 第3课 强化学习 清华版（中学） 通 1 学习目标 3 新知讲解 5 拓展延伸 7 板书设计 2 新知导入 4 课堂练习 6 课堂总结 课后作业 8 01 教学目标 （1）理解强化学习的基本概念及其与监督学习、无监督学习的区别。 （2）理解强化学习的核心流程，包括奖励机制和策略优化等概念。 （3）认识强化学习在机器人训练、AI游戏等领域的典型应用及未来潜力。 02 新知导入 1.强化学习的定义 强化学习是一种间接的监督学习，通过奖励让机器知道应该如何行动，广泛应用在棋牌游戏、机器人动作等任务。强化学习事先没有任何数据，机器通过不断尝试学习如何做出最佳决策。 02 新知导入 2. 强化学习的核心特点 强化学习通过 环境交互 获取反馈信号（如奖励/惩罚），而非依赖预设数据，适用于动态决策任务。 03 新知讲解 1 人类的强化学习 1. 强化学习的核心机制 智能体通过与环境交互获得 奖励/惩罚 反馈，以“试错”方式逐步优化策略，追求长期累积奖励最大化。 03 新知讲解 1 人类的强化学习 2. 人类学习的类比 类比婴儿学步：通过摔倒（负反馈）和站稳（正反馈）自主调整动作，父母不直接指导，而是通过反馈间接引导，体现强化学习的 自主探索 特性。 03 新知讲解 1 人类的强化学习 3. 强化学习 强化学习是一种有别于监督学习和无监督学习的另一种学习方法。 03 新知讲解 1 人类的强化学习 4. 强化学习的反馈特征 反馈具有 延迟性 （如多步动作后获得最终得分）和 稀疏性 （仅关键节点有反馈），需通过经验积累实现策略迭代优化。 03 新知讲解 1. 强化学习的核心机制 智能体通过与环境交互获得 即时奖励/惩罚 （得分/丢分），以“试错”方式优化策略，追求 长期累积奖励最大化 。 2 强化学习方法 03 新知讲解 2.策略与状态的定义 策略 指导智能体在特定状态下选择最优动作，同时需权衡 当前奖励 与 未来潜在收益 以实现长期回报最大化。 2 强化学习方法 03 新知讲解 3. 持续学习的应用扩展 在机器人等 持续交互 场景中，智能体需实时根据反馈调整策略，实现动态环境下的渐进式优化。 2 强化学习方法 03 新知讲解 3 强化学习的应用领域 1. 机器人运动控制训练 强化学习通过设计奖励机制，使机器人从随机动作中自主学习复杂技能，大幅缩短训练周期。 03 新知讲解 3 强化学习的应用领域 2. 机器人操作技能学习 传统方法依赖手动编程，而强化学习通过反复试错，让机器人自主调整力度与角度，实现对新物体的自适应抓取，成功率超越传统规则系统。 03 新知讲解 3 强化学习的应用领域 3. 棋类游戏的策略突破 AlphaGo通过数百万局自我对弈获得奖励/惩罚信号，不断优化策略，最终在围棋等完美信息游戏中超越人类顶尖选手，展现强化学习的策略生成能力。 03 新知讲解 3 强化学习的应用领域 4. 即时战略游戏的挑战征服 AlphaStar在《星际争霸Ⅱ》等不完全信息、实时决策游戏中，通过对战与自我对战优化资源管理与军事策略，达到人类宗师水平（前0.2%），体现强化学习处理复杂动态环境的能力。 03 新知讲解 3 强化学习的应用领域 5. 多领域应用的扩展性 强化学习已拓展至自动驾驶、金融交易等领域，通过环境交互学习最优策略，解决连续决策问题。 03 新知讲解 3 强化学习的应用领域 6. 强化学习的核心优势 无需预设规则，通过环境反馈自主学习，擅长解决动态、连续决策任务，突破传统编程限制。 03 新知讲解 4 总结 1. 强化学习的核心特征与价值 强化学习通过与 环境交互试错 积累经验，自主探索最优策略，是AI在动态、未知场景中实现智能的关键方法。 03 新知讲解 4 总结 2. 当前应用的广泛性 已成熟应用于 棋牌游戏 （AlphaGo）、 机器人训练 （运动控制）、 可成长智能体 ... ...
