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
強化學習:原理與Python實戰 版權信息
- ISBN：9787111728917
- 條形碼：9787111728917 ; 978-7-111-72891-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
強化學習:原理與Python實戰 本書特色
攜七大優勢，帶你一書學透強化學習，掌握ChatGPT背后的關鍵技術。
1）內容完備：完整地介紹了主流強化學習理論，全面覆蓋主流強化學習算法，包括了資格跡等經典算法和MuZero等深度強化學習算法，且給出主要定理的證明過程。讓你參透ChatGPT背后的關鍵技術。
2）表述一致：全書采用統一的數學符號，并兼容主流強化學習教程。
3）配套豐富：每章都配有知識點總結、代碼和習題。
4）環境全面：既有Gym的內置環境，也有在Gym基礎上進一步擴展的第三方環境，還帶領讀者一起實現了自定義的環境。
5）兼容廣泛：所有代碼均可在Windows、macOS、Linux上運行，提供安裝和配置方法。同時，為深度強化學習相關算法提供了TensorFlow和PyTorch的對照實現，學習方案任你選擇。
6）硬件要求低：所有代碼均可在沒有GPU的個人計算機上運行，也可以在線查閱運行結果。
7）版權輸出：本書內容受到國際知名出版社Springer和評審專家認可，英文版同步輸出，以饗讀者。
強化學習:原理與Python實戰 內容簡介
本書從原理和實戰兩個方面介紹了強化學習。原理方面，深入介紹了主流強化學習理論和算法，覆蓋資格跡等經典算法和MuZero等深度強化學習算法；實戰方面，每章都配套了編程案例，以方便讀者學習。 全書從邏輯上分為三部分。第1章：從零開始介紹強化學習的背景知識，介紹環境庫Gym的使用。 第2～15章：基于折扣獎勵離散時間Markov決策過程模型，介紹強化學習的主干理論和常見算法。采用數學語言推導強化學習的基礎理論，進而在理論的基礎上講解算法，并為算法提供配套代碼實現；A理論的講解突出主干部分，算法講解全面覆蓋主流的強化學習算法，包括經典的非深度強化學習算法和近年流行的強化學習算法。Python實現和算法講解一一對應，還給出了深度強化學習算法的TensorFlow和PyTorch對照實現。 第16章：介紹其他強化學習模型，包括平均獎勵模型、連續時間模型、非齊次模型、半Markov模型、部分可觀測模型等，以便更好了解強化學習研究的全貌。
強化學習:原理與Python實戰 目錄
目錄
數學符號表
前言
第1章初識強化學習111強化學習及其關鍵元素1
1．2強化學習的應用3
1．3智能體/環境接口4
1．4強化學習的分類6
1．4．1按任務分類6
1．4．2按算法分類8
1．5強化學習算法的性能指標9
1．6案例：基于Gym庫的智能體/環境接口10
1．6．1安裝Gym庫11
1．6．2使用Gym庫11
1．6．3小車上山13
1．7本章小結18
1．8練習與模擬面試19
第2章Markov決策過程2121Markov決策過程模型21
2．1．1離散時間Markov決策過程21
2．1．2環境與動力24
2．1．3策略26
2．1．4帶折扣的回報26
2．2價值27
2．2．1價值的定義28
2．2．2價值的性質28
2．2．3策略的偏序和改進34
2．3帶折扣的分布35
2．3．1帶折扣的分布的定義35
2．3．2帶折扣的分布的性質37
2．3．3帶折扣的分布和策略的等價性39
2．3．4帶折扣的分布下的期望40
2．4*優策略與*優價值41
2．4．1從*優策略到*優價值41
2．4．2*優策略的存在性42
2．4．3*優價值的性質與Bellman
*優方程43
2．4．4用線性規劃法求解*優價值48
2．4．5用*優價值求解*優策略51
2．5案例：懸崖尋路52
2．5．1使用環境52
2．5．2求解策略價值53
2．5．3求解*優價值54
2．5．4求解*優策略55
2．6本章小結55
2．7練習與模擬面試57
第3章有模型數值迭代5931Bellman算子及其性質59
3．2有模型策略迭代64
3．2．1策略評估65
3．2．2策略改進66
3．2．3策略迭代67
3．3價值迭代68
3．4自益與動態規劃69
3．5案例：冰面滑行70
3．5．1使用環境71
3．5．2有模型策略迭代求解73
3．5．3有模型價值迭代求解76
3．6本章小結76
3．7練習與模擬面試77
第4章回合更新價值迭代78
4．1同策回合更新79
4．1．1同策回合更新策略評估79
4．1．2帶起始探索的同策回合更新84
4．1．3基于柔性策略的同策回合更新86
4．2異策回合更新89
4．2．1重要性采樣89
4．2．2異策回合更新策略評估92
4．2．3異策回合更新*優策略求解93
4．3實驗：21點游戲94
4．3．1使用環境94
4．3．2同策策略評估96
4．3．3同策*優策略求解98
4．3．4異策策略評估101
4．3．5異策*優策略求解102
4．4本章小結103
4、5練習與模擬面試104
第5章時序差分價值迭代10651時序差分目標106
5．2同策時序差分更新109
5．2．1時序差分更新策略評估109
5．2．2SARSA算法113
5．2．3期望SARSA算法115
5．3異策時序差分更新117
5．3．1基于重要性采樣的異策算法117
5．3．2Q學習119
5．3．3雙重Q學習120
5．4資格跡121
5．4．1λ回報122
5．4．2TD(λ)算法123
5．5案例：的士調度125
5．5．1使用環境126
5．5．2同策時序差分學習127
5．5．3異策時序差分學習130
5．5．4資格跡學習132
56本章小結134
57練習與模擬面試135
第6章函數近似方法137
6.1函數近似原理138
6.2基于梯度的參數更新139
6.2．1隨機梯度下降139
6.2．2半梯度下降141
6.2．3帶資格跡的半梯度下降142
6．3函數近似的收斂性144
6．3．1收斂的條件144
6．3．2Baird反例145
6．4深度Q網絡147
6．4．1經驗回放148
6．4．2目標網絡151
6．4．3雙重深度Q網絡152
6．4．4決斗深度Q網絡153
6．5案例：小車上山154
6．5．1使用環境155
6．5．2用線性近似求解*優策略156
6.5.3用深度Q網絡求解*優策略161
6.6本章小結172
6.7練習與模擬面試172
第7章回合更新策略梯度方法17471策略梯度算法的原理174
7.1.1函數近似策略174
7.1.2策略梯度定理175
7.1.3策略梯度和極大似然估計的關系179
7.2同策回合更新策略梯度算法179
7.2.1簡單的策略梯度算法180
7.2.2帶基線的簡單策略梯度算法180
7.3異策回合更新策略梯度算法182
7.4案例：車桿平衡183
7.4.1用同策策略梯度算法求解*優策略184
7.4.2用異策策略梯度算法求解*優策略189
7.5本章小結195
7.6練習與模擬面試196
第8章執行者/評論者197
8.1執行者/評論者方法197
8.2同策執行者/評論者算法198
8.2.1動作價值執行者/評論者算法198
8.2.2優勢執行者/評論者算法199
8.2.3帶資格跡的執行者/評論者算法200
8.3基于代理優勢的同策算法201
8.3.1性能差別引理201
8.3.2代理優勢202
8.3.3鄰近策略優化203
8.4自然梯度和信賴域算法205
8.4.1KL散度與Fisher信息矩陣206
8.4.2代理優勢的信賴域208
8.4.3自然策略梯度算法209
8.4.4信賴域策略優化212
8.5重要性采樣異策執行者/評論者算法213
8.6案例：雙節倒立擺214
8.6.1用同策執行者/評論者算法求解*優策略216
8.6.2用基于代理優勢的同策算法求解*優策略226
8.6.3用自然策略梯度和信賴域算法求解*優策略230
8.6.4用重要性采樣異策執行者/評論者算法求解*優策略242
8.7本章小結246
8.8練習與模擬面試247
第9章連續動作空間的確定性策略248
9.1確定性策略梯度定理248
9.2同策確定性算法250
9.3異策確定性算法251
9.3.1基本的異策確定性執行者/評論者算法251
9.3.2深度確定性策略梯度算法253
9.3.3雙重延遲深度確定性策略梯度算法254
9.4探索過程255
9.5案例：倒立擺的控制256
9.5.1用深
數學符號表
前言
第1章初識強化學習111強化學習及其關鍵元素1
1．2強化學習的應用3
1．3智能體/環境接口4
1．4強化學習的分類6
1．4．1按任務分類6
1．4．2按算法分類8
1．5強化學習算法的性能指標9
1．6案例：基于Gym庫的智能體/環境接口10
1．6．1安裝Gym庫11
1．6．2使用Gym庫11
1．6．3小車上山13
1．7本章小結18
1．8練習與模擬面試19
第2章Markov決策過程2121Markov決策過程模型21
2．1．1離散時間Markov決策過程21
2．1．2環境與動力24
2．1．3策略26
2．1．4帶折扣的回報26
2．2價值27
2．2．1價值的定義28
2．2．2價值的性質28
2．2．3策略的偏序和改進34
2．3帶折扣的分布35
2．3．1帶折扣的分布的定義35
2．3．2帶折扣的分布的性質37
2．3．3帶折扣的分布和策略的等價性39
2．3．4帶折扣的分布下的期望40
2．4*優策略與*優價值41
2．4．1從*優策略到*優價值41
2．4．2*優策略的存在性42
2．4．3*優價值的性質與Bellman
*優方程43
2．4．4用線性規劃法求解*優價值48
2．4．5用*優價值求解*優策略51
2．5案例：懸崖尋路52
2．5．1使用環境52
2．5．2求解策略價值53
2．5．3求解*優價值54
2．5．4求解*優策略55
2．6本章小結55
2．7練習與模擬面試57
第3章有模型數值迭代5931Bellman算子及其性質59
3．2有模型策略迭代64
3．2．1策略評估65
3．2．2策略改進66
3．2．3策略迭代67
3．3價值迭代68
3．4自益與動態規劃69
3．5案例：冰面滑行70
3．5．1使用環境71
3．5．2有模型策略迭代求解73
3．5．3有模型價值迭代求解76
3．6本章小結76
3．7練習與模擬面試77
第4章回合更新價值迭代78
4．1同策回合更新79
4．1．1同策回合更新策略評估79
4．1．2帶起始探索的同策回合更新84
4．1．3基于柔性策略的同策回合更新86
4．2異策回合更新89
4．2．1重要性采樣89
4．2．2異策回合更新策略評估92
4．2．3異策回合更新*優策略求解93
4．3實驗：21點游戲94
4．3．1使用環境94
4．3．2同策策略評估96
4．3．3同策*優策略求解98
4．3．4異策策略評估101
4．3．5異策*優策略求解102
4．4本章小結103
4、5練習與模擬面試104
第5章時序差分價值迭代10651時序差分目標106
5．2同策時序差分更新109
5．2．1時序差分更新策略評估109
5．2．2SARSA算法113
5．2．3期望SARSA算法115
5．3異策時序差分更新117
5．3．1基于重要性采樣的異策算法117
5．3．2Q學習119
5．3．3雙重Q學習120
5．4資格跡121
5．4．1λ回報122
5．4．2TD(λ)算法123
5．5案例：的士調度125
5．5．1使用環境126
5．5．2同策時序差分學習127
5．5．3異策時序差分學習130
5．5．4資格跡學習132
56本章小結134
57練習與模擬面試135
第6章函數近似方法137
6.1函數近似原理138
6.2基于梯度的參數更新139
6.2．1隨機梯度下降139
6.2．2半梯度下降141
6.2．3帶資格跡的半梯度下降142
6．3函數近似的收斂性144
6．3．1收斂的條件144
6．3．2Baird反例145
6．4深度Q網絡147
6．4．1經驗回放148
6．4．2目標網絡151
6．4．3雙重深度Q網絡152
6．4．4決斗深度Q網絡153
6．5案例：小車上山154
6．5．1使用環境155
6．5．2用線性近似求解*優策略156
6.5.3用深度Q網絡求解*優策略161
6.6本章小結172
6.7練習與模擬面試172
第7章回合更新策略梯度方法17471策略梯度算法的原理174
7.1.1函數近似策略174
7.1.2策略梯度定理175
7.1.3策略梯度和極大似然估計的關系179
7.2同策回合更新策略梯度算法179
7.2.1簡單的策略梯度算法180
7.2.2帶基線的簡單策略梯度算法180
7.3異策回合更新策略梯度算法182
7.4案例：車桿平衡183
7.4.1用同策策略梯度算法求解*優策略184
7.4.2用異策策略梯度算法求解*優策略189
7.5本章小結195
7.6練習與模擬面試196
第8章執行者/評論者197
8.1執行者/評論者方法197
8.2同策執行者/評論者算法198
8.2.1動作價值執行者/評論者算法198
8.2.2優勢執行者/評論者算法199
8.2.3帶資格跡的執行者/評論者算法200
8.3基于代理優勢的同策算法201
8.3.1性能差別引理201
8.3.2代理優勢202
8.3.3鄰近策略優化203
8.4自然梯度和信賴域算法205
8.4.1KL散度與Fisher信息矩陣206
8.4.2代理優勢的信賴域208
8.4.3自然策略梯度算法209
8.4.4信賴域策略優化212
8.5重要性采樣異策執行者/評論者算法213
8.6案例：雙節倒立擺214
8.6.1用同策執行者/評論者算法求解*優策略216
8.6.2用基于代理優勢的同策算法求解*優策略226
8.6.3用自然策略梯度和信賴域算法求解*優策略230
8.6.4用重要性采樣異策執行者/評論者算法求解*優策略242
8.7本章小結246
8.8練習與模擬面試247
第9章連續動作空間的確定性策略248
9.1確定性策略梯度定理248
9.2同策確定性算法250
9.3異策確定性算法251
9.3.1基本的異策確定性執行者/評論者算法251
9.3.2深度確定性策略梯度算法253
9.3.3雙重延遲深度確定性策略梯度算法254
9.4探索過程255
9.5案例：倒立擺的控制256
9.5.1用深
展開全部
強化學習:原理與Python實戰 作者簡介
肖智清 強化學習一線研發人員，清華大學工學博士。在國內外出版多本人工智能專著，在知名期刊和會議上發表多篇第一作者論文。他是開源項目Gym的源碼貢獻者，并在國內外多項程序設計和數據科學競賽上獲得冠軍。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
推拿
- >
名家帶你讀魯迅:朝花夕拾
- >
苦雨齋序跋文-周作人自編集
- >
羅庸西南聯大授課錄
- >
小考拉的故事-套裝共3冊
- >
我與地壇
- >
月亮虎
本類暢銷
