掃一掃
關注中圖網
官方微博
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
深度強化學習理論與實踐 版權信息
- ISBN：9787302625544
- 條形碼：9787302625544 ; 978-7-302-62554-4
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度強化學習理論與實踐 本書特色
本書系統介紹深度強化學習的理論和算法，并配有大量的案例。全書核心內容可以分為3部分，**部分為經典強化學習，主要內容有動態規劃法，蒙特卡洛法、時序差分法；第二部分為深度強化學習，主要內容有值函數近似法、策略梯度法、策略梯度法進階；第三部分重點介紹了深度強化學習的經典應用——AlphaGo系列算法。 ★ 大多數每個算法配有一個或多個測試案例，便于讀者理解理論和算法；★ 每個案例都配有編程實現的代碼，便于讀者理論聯系實際，并親自上手實踐；★ 為減輕讀者編寫代碼的難度，本書所有案例的代碼都是可以獨立運行的，并且盡量減少了對依賴包的使用。 全面介紹深度強化學習的理論與算法，并配有大量案例和編程實現！1553分鐘視頻講解，50個示例代碼★監督學習、非監督學習、強化學習是機器學習的三大板塊，其中強化學習是*接近人工智能的機器學習模式。近年來，隨著AlphaGo系列算法的橫空出世，結合深度學習和強化學習的深度強化學習被推到了人工智能的風口浪尖，受到了學界和工業界的廣泛關注。本書系統介紹了深度強化學習的理論和算法，并配有大量深度強化學習案例和編程實現，既可用作高年級本科生和研究生學習深度強化學習的入門書，也可用作工程技術人員應用深度強化學習解決實際問題的參考書。 ——吳至友 重慶師范大學數學科學學院院長、德國洪堡學者★作為第4次工業革命的核心技術，人工智能正在驅動各行各業的智能化升級，并將催生很多新的產業。深度強化學習作為人工智能的典型研究和應用方向之一，近年來取得了突飛猛進的發展，并已廣泛應用。《深度強化學習理論與實踐》一書不僅回顧了經典強化學習算法，還系統介紹了深度強化學習的理論、算法和典型框架。特別地，本書還專門開辟了一章詳細地介紹了近年來叱咤風云的AlphaGo系列算法。本書內容全面，既注重理論的系統性，又兼顧內容的實用性，對于科學研究人員和工程技術人員，均具有很高的參考價值。 ——汪軍 西悉尼大學助理教授，墨爾本大學榮譽研究員、博士生導師★人工智能的研究可以極大地解放生產力與發展生產力，帶來人類社會歷史性的變革。學習是智能的本質特征，強化學習是近年來得到極大關注并取得重要進展的人工智能技術，將強化學習與深度學習結合的深度強化學習技術研究是目前人工智能領域的前沿與熱點。《深度強化學習理論與實踐》系統介紹了深度強化學習的基本理論與重要算法實現，本書具備算法理論推導嚴密與算法設計實現詳細的特點，書中內容安排合理，難度循序漸進，適于深度強化學習領域的研究生或工程師作為閱讀材料和參考書籍。 ——劉昆 中山大學航空航天學院副院長、教授★自從2016年圍棋人工智能AlphaGo擊敗人類圍棋世界冠軍以來，深度強化學習的研究邁入了一個新的階段，在系統智能控制、多智能體決策等領域不斷取得令人矚目的成果，深度強化學習被認為是實現人工智能的關鍵技術，它對人類的發展與進步有著深遠的影響。《深度強化學習理論與實踐》比較全面、系統地介紹了深度強化學習的理論和算法，對該領域主要的理論、模型和算法進行了比較嚴謹與清晰地描述，特別是書中絕大多數算法給出了一個或多個程序案例，方便讀者理解相關理論和算法，可以為該領域學術研究人員和工程技術人員提供良好的參考。 ——何開鋒 軍事科學院首席專家、研究員★隨著近年來深度神經網絡研究的興起，深度強化學習作為一個新的重要學科分支吸引了越來越多的科研人員和產業人員的關注，它在系統控制與決策、對抗博弈等領域取得了令人矚目的成就。《深度強化學習理論與實踐》涵蓋了基本強化學習理論與技術、深度強化學習方法及AlphaGo圍棋人工智能的實現原理，可以給初學者提供全面且實用的深度強化學習知識，特別是書中包含了豐富的算法實現代碼，便于對該領域感興趣的讀者學習、理解及開展研究工作，快速掌握相關理論與實踐技術。 ——曾占魁 上海航天技術研究院科技四部副部長、研究員
深度強化學習理論與實踐 內容簡介
本書比較全面、系統地介紹了深度強化學習的理論和算法，并配有大量的案例和編程實現。全書核心內容可以分為3部分，**部分為經典強化學習，包括第2、3、4章，主要內容有動態規劃法，蒙特卡洛法、時序差分法；第二部分為深度強化學習，包括第6、7、8章，主要內容有值函數近似法、策略梯度法、策略梯度法進階；第三部分重點介紹了深度強化學習的經典應用——AlphaGo系列算法。另外，作為理論和算法的輔助，第1章介紹了強化學習的模型，第5章簡單介紹了深度學習和PyTorch編程框架。 本書可以作為理工科大學相關專業研究生的學位課教材，也可以作為人工智能、機器學習相關專業高年級本科生的選修課教材，還可以作為相關領域學術研究人員、教師和工程技術人員的參考資料。
深度強化學習理論與實踐 目錄
目錄
本書源代碼
配套資源
第1章強化學習的模型（156min）
1.1強化學習簡介
1.1.1初識強化學習
1.1.2強化學習的歷史
1.1.3強化學習與機器學習的關系
1.2強化學習的模型
1.2.1強化學習基本模型和要素
1.2.2強化學習的執行過程
1.2.3強化學習的數學模型——馬爾可夫決策過程
1.2.4環境模型案例
1.3Gym介紹
1.3.1Gym簡介
1.3.2Gym安裝
1.3.3Gym的環境描述和案例
1.3.4在Gym中添加自編環境
1.3.5直接使用自編環境
第2章動態規劃法（231min）
2.1動態規劃法簡介
2.2值函數和貝爾曼方程
2.2.1累積折扣獎勵
2.2.2值函數
2.2.3貝爾曼方程
2.3策略評估
2.4策略改進
2.5*優值函數和*優策略
2.6策略迭代和值迭代
2.7動態規劃法求解強化學習案例
第3章蒙特卡羅法（211min）
3.1蒙特卡羅法簡介
3.2蒙特卡羅策略評估
3.2.1蒙特卡羅策略評估
3.2.2增量式蒙特卡羅策略評估
3.2.3蒙特卡羅策略評估案例
3.2.4蒙特卡羅和動態規劃策略評估的對比
3.3蒙特卡羅強化學習
3.3.1蒙特卡羅策略改進
3.3.2起始探索蒙特卡羅強化學習
3.3.3ε貪婪策略蒙特卡羅強化學習
3.3.4蒙特卡羅強化學習案例
3.4異策略蒙特卡羅強化學習
3.4.1重要性采樣
3.4.2異策略蒙特卡羅策略評估
3.4.3增量式異策略蒙特卡羅策略評估
3.4.4異策略蒙特卡羅強化學習
3.4.5異策略蒙特卡羅強化學習案例
3.5蒙特卡羅樹搜索
3.5.1MCTS的基本思想
3.5.2MCTS的算法流程
3.5.3基于MCTS的強化學習算法
3.5.4案例和代碼
第4章時序差分法（174min）
4.1時序差分策略評估
4.1.1時序差分策略評估原理
4.1.2時序差分策略評估算法
4.1.3時序差分策略評估案例
4.1.4時序差分策略評估的優勢
4.2同策略時序差分強化學習
4.2.1Sarsa算法
4.2.2Sarsa算法案例
4.3異策略時序差分強化學習
4.3.1Qlearning算法
4.3.2期望Sarsa算法
4.3.3Double Qlearning算法
4.3.4Qlearning算法案例
4.4n步時序差分強化學習
4.4.1n步時序差分策略評估
4.4.2nstep Sarsa算法
4.5TD(λ)算法
4.5.1前向TD(λ)算法
4.5.2后向TD(λ)算法
4.5.3Sarsa(λ)算法
第5章深度學習與PyTorch（275min）
5.1從感知機到神經網絡
5.1.1感知機模型
5.1.2感知機和布爾運算
5.2深度神經網絡
5.2.1網絡拓撲
5.2.2前向傳播
5.2.3訓練模型
5.2.4誤差反向傳播
5.3激活函數、損失函數和數據預處理
5.3.1激活函數
5.3.2損失函數
5.3.3數據預處理
5.4PyTorch深度學習軟件包
5.4.1數據類型及類型的轉換
5.4.2張量的維度和重組操作
5.4.3組裝神經網絡的模塊
5.4.4自動梯度計算
5.4.5訓練數據自由讀取
5.4.6模型的搭建、訓練和測試
5.4.7模型的保存和重載
5.5深度學習案例
5.5.1函數近似
5.5.2數字圖片識別
第6章值函數近似算法（195min）
6.1線性值函數近似算法
6.1.1線性值函數近似時序差分算法
6.1.2特征函數
6.1.3線性值函數近似算法案例
6.2神經網絡值函數近似法
6.2.1DQN算法原理
6.2.2DQN算法
6.2.3DQN算法案例
6.3Double DQN(DDQN)算法
6.4Prioritized Replay DQN算法
6.4.1樣本優先級
6.4.2隨機優先級采樣
6.4.3樣本重要性權重參數
6.4.4Prioritized Replay DQN算法流程
6.4.5Prioritized Replay DQN算法案例
6.5Dueling DQN算法
6.5.1Dueling DQN算法原理
6.5.2Dueling DQN算法案例
第7章策略梯度算法（176min）
7.1策略梯度算法的基本原理
7.1.1初識策略梯度算法
7.1.2策略函數
7.1.3策略目標函數
7.1.4策略梯度算法的框架
7.1.5策略梯度算法的評價
7.2策略梯度定理
7.2.1離散型策略梯度定理
7.2.2連續型策略梯度定理
7.2.3近似策略梯度和評價函數
7.3蒙特卡羅策略梯度算法(REINFORCE)
7.3.1REINFORCE的基本原理
7.3.2REINFORCE的算法流程
7.3.3REINFORCE隨機梯度的嚴格推導
7.3.4帶基線函數的REINFORCE
7.3.5REINFORCE實際案例及代碼實現
7.4演員評論家策略梯度算法
7.4.1算法原理
7.4.2算法流程
7.4.3算法代碼及案例
第8章策略梯度法進階（135min）
8.1異步優勢演員： 評論家算法
8.1.1異步強化學習
8.1.2A3C算法
8.1.3A2C算法
8.1.4案例和程序
8.2深度確定性策略梯度算法
8.2.1DDPG的基本思想
8.2.2DDPG的算法原理
8.2.3DDPG的算法結構和流程
8.2.4案例和程序
8.3近端策略優化算法
8.3.1PPO的算法原理
8.3.2PPO的算法結構和流程
8.3.3案例和程序
8.4柔性演員評論家算法
8.4.1*大熵原理
8.4.2柔性Q學習
8.4.3SAC算法原理
8.4.4SAC算法結構和流程
8.4.5案例和程序
第9章深度強化學習案例： AlphaGo系列算法
9.1AlphaGo算法介紹
9.1.1AlphaGo中的深度神經網絡
9.1.2AlphaGo中深度神經網絡的訓練
9.1.3AlphaGo的MCTS
9.1.4總結
9.2AlphaGo Zero算法介紹
9.2.1AlphaGo Zero的策略價值網絡
9.2.2AlphaGo Zero的MCTS
9.2.3AlphaGo Zero的算法流程
9.3AlphaZero算法介紹
9.3.1從圍棋到其他棋類需要解決的問題
9.3.2AlphaZero相對于AlphaGo Zero的改進與調整
9.3.3AlphaZero的算法流程
9.4MuZero算法介紹
9.4.1MuZero中的深度神經網絡
9.4.2MuZero中的MCTS
9.4.3MuZero的算法流程
9.5AlphaGo系列算法的應用與啟示
參考文獻
展開全部
深度強化學習理論與實踐 作者簡介
龍強，博士、副教授、碩士研究生導師；就職于西南科技大學數理學院數據科學系，中國運籌學會終生會員；主要從事最優化理論與算法、機器學習算法研究；在國際國內學術期刊上發表論文20余篇，獲批國家發明專利3項，主持和參與國家自然科學基金3項，參與國家社會科學基金1項；講授“深度強化學習”“深度學習與神經網絡”“算法設計與分析”“最優化理論與算法”“機器學習”等課程。 章勝，博士、副研究員、碩士研究生導師；就職于中國空氣動力研究與發展中心，中國空氣動力學學會會員；主要從事飛行器軌跡優化、非線性控制與智能控制研究。在國際及國內學術期刊上發表論文20篇，獲批國家發明專利5項，主持和參與國家自然科學基金、國家重點基礎研究發展計劃等項目15項。
書友推薦
- >
朝聞道
- >
【精裝繪本】畫給孩子的中國神話
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
小考拉的故事-套裝共3冊
- >
姑媽的寶刀
- >
月亮與六便士
- >
隨園食單
本類暢銷
