编辑推荐
携七大优势，带你一书学透强化学习，掌握ChatGPT背后的关键技术。
内容简介
本书从原理和实战两个方面介绍了强化学习。原理方面，深入介绍了主流强化学习理论和算法，覆盖资格迹等经典算法和MuZero等深度强化学习算法；实战方面，每章都配套了编程案例，以方便读者学习。
作者简介
作者肖智清，深度学习一线研发人员，现就职于世界排名第一的投资银行，清华大学博士。擅长概率统计、随机过程、时间序列和机器学习。近5年发表SCI/EI论文十余篇，是多个顶级期刊和会议审稿人。在国内外多项程序设计和数据科学竞赛获得冠军。
章节目录
版权信息
数学符号表
前言
第1章 初识强化学习
1.1 强化学习及其关键元素
1.2 强化学习的应用
1.3 智能体/环境接口
1.4 强化学习的分类
1.5 强化学习算法的性能指标
1.6 案例：基于Gym库的智能体/环境接口
1.7 本章小结
1.8 练习与模拟面试
第2章 Markov决策过程
2.1 Markov决策过程模型
2.2 价值
2.3 带折扣的分布
2.4 最优策略与最优价值
2.5 案例：悬崖寻路
2.6 本章小结
2.7 练习与模拟面试
第3章 有模型数值迭代
3.1 Bellman算子及其性质
3.2 有模型策略迭代
3.3 价值迭代
3.4 自益与动态规划
3.5 案例：冰面滑行
3.6 本章小结
3.7 练习与模拟面试
第4章 回合更新价值迭代
4.1 同策回合更新
4.2 异策回合更新
4.3 实验：21点游戏
4.4 本章小结
4.5 练习与模拟面试
第5章 时序差分价值迭代
5.1 时序差分目标
5.2 同策时序差分更新
5.3 异策时序差分更新
5.4 资格迹
5.5 案例：的士调度
5.6 本章小结
5.7 练习与模拟面试
第6章 函数近似方法
6.1 函数近似原理
6.2 基于梯度的参数更新
6.3 函数近似的收敛性
6.4 深度Q网络
6.5 案例：小车上山
6.6 本章小结
6.7 练习与模拟面试
第7章 回合更新策略梯度方法
7.1 策略梯度算法的原理
7.2 同策回合更新策略梯度算法
7.3 异策回合更新策略梯度算法
7.4 案例：车杆平衡
7.5 本章小结
7.6 练习与模拟面试
第8章 执行者/评论者
8.1 执行者/评论者方法
8.2 同策执行者/评论者算法
8.3 基于代理优势的同策算法
8.4 自然梯度和信赖域算法
8.5 重要性采样异策执行者/评论者算法
8.6 案例：双节倒立摆
8.7 本章小结
8.8 练习与模拟面试
第9章 连续动作空间的确定性策略
9.1 确定性策略梯度定理
9.2 同策确定性算法
9.3 异策确定性算法
9.4 探索过程
9.5 案例：倒立摆的控制
9.6 本章小结
9.7 练习与模拟面试
第10章 最大熵强化学习
10.1 最大熵强化学习与柔性强化学习理论
10.2 柔性强化学习算法
10.3 自动熵调节
10.4 案例：月球登陆器
10.5 本章小结
10.6 练习与模拟面试
第11章 基于策略的无梯度算法
11.1 无梯度算法
11.2 无梯度算法和策略梯度算法的比较
11.3 案例：双足机器人
11.4 本章小结
11.5 练习与模拟面试
第12章 值分布强化学习
12.1 价值分布及其性质
12.2 效用最大化强化学习
12.3 基于概率分布的算法
12.4 基于分位数的值分布强化学习
12.5 类别深度Q网络算法和分位数回归算法的比较
12.6 案例：Atari电动游戏Pong
12.7 本章小结
12.8 练习与模拟面试
第13章 最小化遗憾
13.1 遗憾
13.2 多臂赌博机
13.3 置信上界价值迭代
13.4 案例：Bernoulli奖励多臂赌博机
13.5 本章小结
13.6 练习与模拟面试
第14章 树搜索
14.1 回合更新树搜索
14.2 回合更新树搜索在棋盘游戏中的应用
14.3 案例：井字棋
14.4 本章小结
14.5 练习与模拟面试
第15章 模仿学习和人类反馈强化学习
15.1 模仿学习
15.2 人类反馈强化学习和生成性预训练变换模型
15.3 案例：机器人行走
15.4 本章小结
15.5 练习与模拟面试
第16章 更多智能体/环境接口模型
16.1 平均奖励离散时间Markov决策过程
16.2 连续时间Markov决策过程
16.3 非齐次Markov决策过程
16.4 半Markov决策过程
16.5 部分可观测Markov决策过程
16.6 案例：老虎
16.7 本章小结
16.8 练习与模拟面试
强化学习：原理与Python实战是2023年由机械工业出版社出版,作者肖智清。
得书感谢您对《强化学习：原理与Python实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
