随着人工智能技术的广泛应用，网络智能化近年来受到广泛的关注，已经成为下一代移动通信与未来网络的重要技术。阿尔法围棋（AlphaGo）之后，深度强化学习不断推陈出新，为网络中的决策问题提供了有效的潜在解决方案。本书系统介绍了网络智能化中深度强化学习的基本理论、算法及应用场景。全书共8章，针对互联网、移动通信网、边缘网络、数据中心等典型网络，阐述了网络管理、网络控制、任务调度等决策需求，深入论述了深度
电子书
内容简介
这是一本介绍用OpenAI Gym构建智能体的实战指南。全书先简要介绍智能体和学习环境的一些入门知识，概述强化学习和深度强化学习的基本概念和知识点，然后重点介绍OpenAI Gym的相关内容，随后在具体的Gym环境中运用强化学习算法构建智能体。本书还探讨了这些算法在游戏、自动驾驶领域的应用。 本书适合想用OpenAI Gym构建智能体的读者阅读，也适合对强化学习和深度强化学习感兴趣的读者参考。读者应具备一定的Python编程基础。
章节目录
- 版权信息
- 版 权
- 内容提要
- 致中国读者
- 作者简介
- 审校者简介
- 译者简介
- 中文版审校者简介
- 译者序
- 前 言
- 资源与支持
- 第1章 智能体与学习环境入门
- 1.1 智能体简介
- 1.2 学习环境
- 1.3 OpenAI Gym简介
- 1.4 理解OpenAI Gym的主要特性
- 1.4.1 简单的环境接口
- 1.4.2 可比较与可复现
- 1.4.3 进程可监控
- 1.5 OpenAI Gym工具包的作用
- 1.6 创建第一个OpenAI Gym环境
- 1.7 小结
- 第2章 强化学习和深度强化学习
- 2.1 强化学习简介
- 2.2 直观理解人工智能的含义和内容
- 2.2.1 监督学习
- 2.2.2 非监督学习
- 2.2.3 强化学习
- 2.3 强化学习实战
- 2.3.1 智能体
- 2.3.2 奖励
- 2.3.3 环境
- 2.3.4 状态
- 2.3.5 模型
- 2.3.6 值函数
- 2.3.7 策略
- 2.4 马尔可夫决策过程
- 2.5 动态规划
- 2.6 蒙特卡洛学习和时序差分学习
- 2.7 SARSA和Q-Learning
- 2.8 深度强化学习
- 2.9 强化学习和深度强化学习算法的实践应用
- 2.10 小结
- 第3章 开启OpenAI Gym和深度强化学习之旅
- 3.1 代码库、设置和配置
- 3.1.1 先决条件
- 3.1.2 创建conda环境
- 3.1.3 最小化安装——快捷简便的方法
- 3.1.4 完整安装OpenAI Gym学习环境
- 3.2 安装深度强化学习所需的工具和库
- 3.2.1 安装必备的系统软件包
- 3.2.2 安装CUDA
- 3.2.3 安装PyTorch
- 3.3 小结
- 第4章 探索Gym及其功能
- 4.1 探索环境列表和术语
- 4.1.1 术语
- 4.1.2 探索Gym环境
- 4.2 理解Gym接口
- 4.3 Gym中的空间
- 4.4 小结
- 第5章 实现第一个智能体——解决过山车问题
- 5.1 了解过山车问题
- 5.2 从零开始实现Q-Learning智能体
- 5.2.1 Q-Learning回顾
- 5.2.2 使用Python和NumPy实现Q-Learning智能体
- 5.3 在Gym中训练强化学习智能体
- 5.4 测试并记录智能体的性能
- 5.5 一个简单且完整的Q-Learner实现——过山车问题的解决方案
- 5.6 小结
- 第6章 用深度Q-Learning实现最优化控制智能体
- 6.1 优化Q-Learning智能体
- 6.1.1 用神经网络近似Q函数
- 6.1.2 经验回放
- 6.1.3 重温ε-贪婪动作策略
- 6.2 实现一个深度Q-Learning智能体
- 6.2.1 用PyTorch实现一个深度卷积Q网络
- 6.2.2 使用目标Q网络稳定智能体的学习
- 6.2.3 记录和可视化智能体的学习过程
- 6.2.4 管理超参数和配置参数
- 6.2.5 用完整的深度Q-Learner处理输入为原始像素的复杂问题
- 6.3 Atari Gym环境
- 6.4 训练深度Q-Learner玩Atari游戏
- 6.4.1 整合一个完整的深度Q-Learner
- 6.4.2 超参数
- 6.4.3 启动训练过程
- 6.4.4 在Atari游戏中测试深度Q-Learner的性能
- 6.5 小结
- 第7章 创建自定义OpenAI Gym环境——CARLA
- 7.1 理解Gym环境结构
- 7.1.1 为自定义Gym环境实现创建模板
- 7.1.2 在OpenAI Gym环境中注册自定义环境
- 7.2 创建与OpenAI Gym兼容的CARLA环境
- 7.2.1 配置和初始化
- 7.2.2 实现reset方法
- 7.2.3 为CARLA环境实现step函数
- 7.2.4 测试CARLA Gym环境
- 7.3 小结
- 第8章 用深度演员-评论家算法实现无人驾驶智能体
- 8.1 深度n步优势演员-评论家算法
- 8.1.1 策略梯度
- 8.1.2 演员-评论家算法
- 8.1.3 优势演员-评论家算法
- 8.1.4 n步优势演员-评论家算法
- 8.1.5 深度n步优势演员-评论家算法
- 8.2 实现深度n步优势演员-评论家智能体
- 8.2.1 初始化演员和评论家网络
- 8.2.2 用当前策略获取n步经验
- 8.2.3 计算演员和评论家的损失
- 8.2.4 更新演员-评论家模型
- 8.2.5 用于保存/加载、记录、可视化和监视的工具
- 8.2.6 扩展——异步深度n步优势演员-评论家
- 8.3 训练一个“聪明”的自动驾驶智能体
- 8.3.1 训练和测试深度n步优势演员-评论家智能体
- 8.3.2 训练智能体在CARLA中驾驶车辆
- 8.4 小结
- 第9章 探索学习环境全景——Roboschool、Gym Retro、StarCraft-Ⅱ和DeepMind Lab
- 9.1 Gym接口兼容的环境
- 9.1.1 Roboschool
- 9.1.2 Gym Retro
- 9.2 其他基于Python的开源学习环境
- 9.2.1 星际争霸Ⅱ——PySC2
- 9.2.2 DeepMind Lab
- 9.3 小结
- 第10章 探索学习算法世界——DDPG（演员-评论家）、PPO （策略梯度）、Rainbow（基于值）
- 10.1 深度确定性策略梯度
- 10.2 近端策略优化
- 10.3 Rainbow
- 10.3.1 核心概念
- 10.3.2 优点及应用简要总结
- 10.4 小结
展开全部
深度强化学习实战：用OpenAI Gym构建智能体是2023年由人民邮电出版社出版,作者普拉文·巴拉尼沙米(Praveen。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度强化学习实战：用OpenAI Gym构建智能体》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。
电子书
电子书
在人工智能技术的大力驱动下，智能控制与强化学习发展迅猛，先进自动化设计与控制日新月异。本书针对复杂离散时间系统的优化调节、最优跟踪、零和博弈等问题，以实现稳定学习、演化学习和快速学习为目标，建立一套先进的值迭代评判学习控制理论与设计方法。首先，对先进值迭代框架下迭代策略的稳定性进行全面深入的分析，建立一系列适用于不同场景的稳定性判据，从理论层面揭示值迭代算法能够实现离线最优控制和在线演化控制。其次
电子书
本书分为三个部分。第一部分是原理篇，实现了MatrixSlow框架的核心基础设施，并基于此讲解了机器学习与深度学习的概念和原理。第二部分是模型篇，介绍了多种具有代表性的模型，包括逻辑回归、多层全连接神经网络、因子分解机、Wide&Deep、DeepFM、循环神经网络以及卷积神经网络，这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外，还用MatrixSlow框架搭建并训练它们以解决实际问题
电子书
内容提要本书全面讲解了深度学习框架PaddlePaddle，并结合典型案例，阐述了PaddlePaddle的具体应用。本书共15章。第1章介绍了深度学习及其主流框架；第2章介绍了几种不同的PaddlePaddle安装方式；第3章使用MNIST数据集实现手写数字识别；第4章介绍CIFAR彩色图像识别；第5章介绍了自定义数据集的识别；第6章介绍了验证码的识别；第7章介绍了场景文字的识别；第8章实现了验
电子书
本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到
电子书
本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM网络的诗歌生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现诗歌生成等。本书大部分章包含实训和课后习题，通过练习和操作实践，读者可
电子书
本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
电子书
本书以深度学习的常用技术与TensorFlow2真实案例相结合的方式，深入浅出地介绍TensorFlow2实现深度学习的重要内容。全书共7章，分为基础篇（第1～3章）和实战篇（第4～7章），基础篇内容包括深度学习概述、TensorFlow2快速入门、深度神经网络原理及实现等基础知识；实战篇内容包括4个案例，分别为基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换
