中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python深度強化學習入門:強化學習和深度學習的搜索與控制 版權信息
- ISBN：9787111700722
- 條形碼：9787111700722 ; 978-7-111-70072-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python深度強化學習入門:強化學習和深度學習的搜索與控制 本書特色
適讀人群 ：人工智能、機器學習、深度學習相關專業領域的技術人員和愛好者《Python深度強化學習入門：強化學習和深度學習的搜索與控制》特點： 以上手實操介紹為主，可操作性強 從基礎開始介紹深度強化學習的概念及算法 通過多個典型的實際問題，剖析深度強化學習的具體實現方法
Python深度強化學習入門:強化學習和深度學習的搜索與控制 內容簡介
《Python深度強化學習入門：強化學習和深度學習的搜索與控制》共7章。其中，第1章介紹了機器學習的分類、強化學習的學習機制以及深度強化學習的概念；第2章通過強化學習的基本概念、馬爾科夫決策過程和貝爾曼方程、貝爾曼方程的求解方法、無模型控制等介紹了強化學習的基本算法；第3章通過深度學習、卷積神經網絡（CNN）、循環神經網絡（RNN）介紹了強化學習中深度學習的特征提取方法；第4章通過行動價值函數的網絡表示、策略函數的網絡表示介紹了深度強化學習的實現；第5章通過策略梯度法的連續控制、學習算法和策略模型等，詳細介紹了深度強化學習在連續控制問題中的應用及具體實現；第6章通過巡回推銷員問題和魔方問題詳細介紹了深度強化學習在組合優化中的應用及具體實現；第7章通過SeqGAN的文本生成和神經網絡的架構搜索詳細介紹了深度強化學習在時間序列數據生成的應用。在附錄中還給出了Colaboratory和Docker等深度強化學習開發環境的構建。
Python深度強化學習入門:強化學習和深度學習的搜索與控制 目錄
目 錄
譯者序
原書前言
閱讀本書需要的知識基礎
本書的結構
本書示例的運行環境
1.1 機器學習的分類004
1.1.1 監督學習005
1.1.2 無監督學習006
1.1.3 強化學習007
1.2 強化學習的學習機制008
1.3 深度強化學習011
2.1 強化學習的基本概念014
2.1.1 強化學習的問題設定014
2.1.2 強化學習的機制014
2.1.3 關于本章的內容016
2.2 馬爾可夫決策過程和貝爾曼方程017
2.2.1 馬爾可夫決策過程017
2.2.2 貝爾曼方程020
2.3 貝爾曼方程的求解方法024
2.3.1 動態規劃法024
2.3.2 蒙特卡洛法031
2.3.3 TD學習法033
2.4 無模型控制037
2.4.1 策略改進的方法037
2.4.2 基于價值的方法038
2.4.3 基于策略的方法043
2.4.4 Actor-Critic法049
3.1 深度學習056
3.1.1 深度學習的出現和背景056
3.1.2 什么是深度學習？056
3.1.3 深度學習平臺062
3.2 CNN067
3.2.1 什么是CNN067
3.2.2 CNN的應用071
3.3 RNN074
3.3.1 什么是RNN074
3.3.2 什么是LSTM079
3.3.3 RNN的應用081
4.1 深度強化學習的發展086
4.1.1 DQN的出現086
4.1.2 用于強化學習的模擬器086
4.2 行動價值函數的網絡表示089
4.2.1 DQN算法089
4.2.2 DQN算法的實現092
4.2.3 學習結果099
4.3 策略函數的網絡表示101
4.3.1 Actor的實現101
4.3.2 Critic的實現101
4.3.3 示例代碼的介紹102
4.3.4 學習結果108
5.1 策略梯度法的連續控制114
5.1.1 連續控制114
5.1.2 策略梯度法學習114
5.2 學習算法和策略模型117
5.2.1 算法概況117
5.2.2 REINFORCE算法118
5.2.3 基準函數的引入118
5.2.4 高斯模型的策略概率119
5.3 連續行動模擬器121
5.3.1 pybullet-gym121
5.3.2 Walker2D122
5.4 算法的實現126
5.4.1 算法實現的總體構成126
5.4.2 train.py127
5.4.3 policy_estimator.py129
5.4.4 value_estimator.py132
5.5 學習結果及預測控制134
5.5.1 學習結果134
5.5.2 預測控制的結果136
5.5.3 其他環境模型的應用137
5.5.4 總結140
6.1 組合優化中的應用144
6.1.1 關于組合優化144
6.2 巡回推銷員問題145
6.2.1 通過強化學習解決巡回推銷員問題145
6.2.2 實現概要147
6.2.3 運行結果155
6.2.4 今后的發展趨勢157
6.3 魔方問題158
6.3.1 用強化學習解決魔方問題158
6.3.2 實現概要161
6.3.3 實現結果171
6.3.4 AC+MCTS算法的預測結果173
6.3.5 今后的發展趨勢177
6.4 總結179
7.1 根據SeqGAN的文本生成182
7.1.1 GAN182
7.1.2 SeqGAN183
7.1.3 輸入數據185
7.1.4 使用的算法及其實現187
7.1.5 實現結果195
7.1.6 總結198
7.2 神經網絡架構的搜索198
7.2.1 神經體系結構搜索198
7.2.2 語義分割199
7.2.3 U-Net200
7.2.4 文件目錄結構201
7.2.5 輸入數據201
7.2.6 所使用的算法204
7.2.7 實現結果213
7.2.8 總結215
附錄A Colaboratory的GPU環境構建218
A.1 Colaboratory218
A.2 Colaboratory的使用方法218
附錄B 通過Docker進行Windows環境的構建222
B.1 介紹222
B.2 Docker的安裝222
B.3 Docker映像的創建228
B.4 容器的啟動232
B.5 運行情況的查看234
參考文獻238
展開全部
Python深度強化學習入門:強化學習和深度學習的搜索與控制 作者簡介
[日]伊藤多一，1995年在名古屋大學理學研究所完成博士課程，井獲得博士學位。后一直從事粒子物理學研究，直到2004年3月。同年，加入了一家專門從事合同數據分析的風險公司，井參與了多個數據分析項目。自2013年以來，他一直在BrainPad公司從事機器學習的廣告效果分析工作。自2016年以來，通過深度學習參與了圖像分析項目。 今津義充，博士學位（理學），熟悉統計分析、模型構建以及基于數值分析的基本粒子和核物理研究。自2013年以來，領導了BrainPad公司的定量分析項目，例如需求預測和數學優化等。近年來，一直從事利用深度學習技術的項目分析和應用研究。 須藤廣大，在奈良科學技術學院主修自然語言處理，獲得碩士學位（信息工程）。后以新畢業生的身份加入BrainPad公司，井以機器學習工程師的身份從事與深度學習相關的項目分析和開發。 仁平將人，碩士學位，在研究生院主修管理系統工程專業，于2018年加入BrainPad公司成為數據科學家。加入公司后，從事有關強化學習和自然語言處理的項目。 川崎悠介，碩士學位，大學期間主修信息工程，并于2018年加入BrainPad公司。從事圖像識別和時間序列預測的相關項目研究。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
莉莉和章魚
- >
我從未如此眷戀人間
- >
伯納黛特,你要去哪(2021新版)
- >
龍榆生：詞曲概論/大家小書
- >
我與地壇
- >
煙與鏡
- >
唐代進士錄
本類暢銷
