《深度学习入门4：强化学习》—

Velocity中国 Strata北京 AI北京 O'Reilly Conferences

深度学习入门4：强化学习

郑明智译

出版时间：2024年08月

页数：313

沿袭“鱼书”系列风格，提供实际代码，边实践边学习，无须依赖外
部库，从零开始实现支撑强化学习的基础技术。

本书有什么特点？
■ 把握潮流中的变与不变
在快速发展变化的深度学习领域，有变化的事物，有不变的事物。有些事物会随潮流而消逝，有些则会被传承下去。本书从马尔可夫决策过程、贝尔曼方程、蒙特卡洛方法、时间差分法等强化学习基础方法，自然而然地过渡到神经网络和深度学习，从前沿视角为读者遴选出最值得关注的强化学习理论和方法。
■ 内容丰富，讲解简明易懂
作为超高人气“鱼书”系列第四部作品，本书延续了这一系列的写作和讲解风格，搭配丰富的图、表、代码示例，加上轻松、简明的讲解，能够让人非常信服地理解强化学习中各种方法之间的关系，于不知不觉中登堂入室。
■ 原理与实践并重
本书旨在确保读者能够牢固掌握强化学习的独特理论，奉行“只有做出来才能真正理解”的理念，将这一主题的每个构成要素都从“理论”和“实践”两个方面进行详尽解释，并鼓励读者动手尝试。与仅通过数学公式解释理论
的图书不同，读者将通过实际运行本书代码获得许多令人惊叹的领悟。

目录
产品信息
关于作者

第1章　老虎机问题
1.1　机器学习的分类与强化学习
1.1.1　监督学习
1.1.2　无监督学习
1.1.3　强化学习
1.2　老虎机问题
1.2.1　什么是老虎机问题
1.2.2　什么是好的老虎机
1.2.3　使用数学式表示
1.3　老虎机算法
1.3.1　价值的估计方法
1.3.2　求平均值的实现
1.3.3　玩家的策略
1.4　老虎机算法的实现
1.4.1　老虎机的实现
1.4.2　智能代理的实现
1.4.3　尝试运行
1.4.4　算法平均的特性
1.5　非稳态问题
1.5.1　解决非稳态问题前的准备工作
1.5.2　解决非稳态问题
1.6　小结
第2章　马尔可夫决策过程
2.1　什么是MDP
2.1.1　MDP的具体例子
2.1.2　智能代理与环境的互动
2.2　环境和智能代理的数学表示
2.2.1　状态迁移
2.2.2　奖励函数
2.2.3　智能代理的策略
2.3　MDP的目标
2.3.1　回合制任务和连续性任务
2.3.2　收益
2.3.3　状态价值函数
2.3.4　最优策略和最优价值函数
2.4　MDP的例子
2.4.1　回溯线形图
2.4.2　找出最优策略
2.5　小结
第3章　贝尔曼方程
3.1　贝尔曼方程的推导
3.1.1　概率和期望值（推导贝尔曼方程的准备）
3.1.2　贝尔曼方程的推导
3.2　贝尔曼方程的例子
3.2.1　有两个方格的网格世界
3.2.2　贝尔曼方程的意义
3.3　行动价值函数与贝尔曼方程
3.3.1　行动价值函数
3.3.2　使用行动价值函数的贝尔曼方程
3.4　贝尔曼最优方程
3.4.1　状态价值函数的贝尔曼最优方程
3.4.2　Q函数的贝尔曼最优方程
3.5　贝尔曼最优方程的示例
3.5.1　应用贝尔曼最优方程
3.5.2　得到最优策略
3.6　小结
第4章　动态规划法
4.1　动态规划法和策略评估
4.1.1　动态规划法简介
4.1.2　尝试迭代策略评估
4.1.3　迭代策略评估的其他实现方式
4.2　解决更大的问题
4.2.1　GridWorld类的实现
4.2.2　defaultdict的用法
4.2.3　迭代策略评估的实现
4.3　策略迭代法
4.3.1　策略的改进
4.3.2　重复评估和改进
4.4　实施策略迭代法
4.4.1　改进策略
4.4.2　重复评估和改进
4.5　价值迭代法
4.5.1　价值迭代法的推导
4.5.2　价值迭代法的实现
4.6　小结
第5章　蒙特卡洛方法
5.1　蒙特卡洛方法的基础知识
5.1.1　骰子的点数和
5.1.2　分布模型和样本模型
5.1.3　蒙特卡洛方法的实现
5.2　使用蒙特卡洛方法评估策略
5.2.1　使用蒙特卡洛方法计算价值函数
5.2.2　求所有状态的价值函数
5.2.3　蒙特卡洛方法的高效实现
5.3　蒙特卡洛方法的实现
5.3.1　step方法
5.3.2　智能代理类的实现
5.3.3　运行蒙特卡洛方法
5.4　使用蒙特卡洛方法的策略控制
5.4.1　评估和改进
5.4.2　使用蒙特卡洛方法实现策略控制
5.4.3　ε-greedy算法（第1个修改）
5.4.4　修改为固定值α的方式（第2个修改）
5.4.5　[修改版]使用蒙特卡洛方法实现策略迭代法
5.5　异策略型和重要性采样
5.5.1　同策略型和异策略型
5.5.2　重要性采样
5.5.3　如何减小方差
5.6　小结
第6章　TD方法
6.1　使用TD方法评估策略
6.1.1　TD方法的推导
6.1.2　MC方法和TD方法的比较
6.1.3　TD方法的实现
6.2　SARSA
6.2.1　同策略型的SARSA
6.2.2　SARSA的实现
6.3　异策略型的SARSA
6.3.1　异策略型和重要性采样
6.3.2　异策略型的SARSA的实现
6.4　Q学习
6.4.1　贝尔曼方程与SARSA
6.4.2　贝尔曼最优方程与Q学习
6.4.3　Q学习的实现
6.5　分布模型与样本模型
6.5.1　分布模型与样本模型
6.5.2　样本模型版的Q学习
6.6　小结
第7章　神经网络和Q学习
7.1　DeZero简介
7.1.1　使用DeZero
7.1.2　多维数组（张量）和函数
7.1.3　最优化
7.2　线性回归
7.2.1　玩具数据集
7.2.2　线性回归的理论知识
7.2.3　线性回归的实现
7.3　神经网络
7.3.1　非线性数据集
7.3.2　线性变换和激活函数
7.3.3　神经网络的实现
7.3.4　层与模型
7.3.5　优化器（最优化方法）
7.4　Q学习与神经网络
7.4.1　神经网络的预处理
7.4.2　表示Q函数的神经网络
7.4.3　神经网络和Q学习
7.5　小结
第8章　DQN
8.1　OpenAI Gym
8.1.1　OpenAI Gym的基础知识
8.1.2　随机智能代理
8.2　DQN的核心技术
8.2.1　经验回放
8.2.2　经验回放的实现
8.2.3　目标网络
8.2.4　目标网络的实现
8.2.5　运行DQN
8.3　DQN与Atari
8.3.1　Atari的游戏环境
8.3.2　预处理
8.3.3　CNN
8.3.4　其他技巧
8.4　DQN的扩展
8.4.1　Double DQN
8.4.2　优先级经验回放
8.4.3　Dueling DQN
8.5　小结
第9章　策略梯度法
9.1　最简单的策略梯度法
9.1.1　策略梯度法的推导
9.1.2　策略梯度法的算法
9.1.3　策略梯度法的实现
9.2　REINFORCE
9.2.1　REINFORCE算法
9.2.2　REINFORCE的实现
9.3　基线
9.3.1　基线的思路
9.3.2　带基线的策略梯度法
9.4　Actor-Critic
9.4.1　Actor-Critic的推导
9.4.2　Actor-Critic的实现
9.5　基于策略的方法的优点
9.6　小结
第10章　进一步学习
10.1　深度强化学习算法的分类
10.2　策略梯度法的改进算法
10.2.1　A3C和A2C
10.2.2　DDPG
10.2.3　TRPO和PPO
10.3　DQN的改进算法
10.3.1　分类DQN
10.3.2　Noisy Network
10.3.3　Rainbow
10.3.4　在Rainbow以后提出的改进算法
10.4　案例研究
10.4.1　棋盘游戏
10.4.2　机器人控制
10.4.3　NAS
10.4.4　其他案例
10.5　深度强化学习的挑战和可能性
10.5.1　应用于实际系统
10.5.2　将问题表示为MDP形式时的建议
10.5.3　通用人工智能系统
10.6　小结
附录A　异策略型的蒙特卡洛方法
附录B　n-step TD方法
附录C　Double DQN的理解
附录D　策略梯度法的证明
后记
参考文献

书名：深度学习入门4：强化学习

作者：斋藤康毅著

译者：郑明智译

国内出版社：人民邮电出版社

出版时间：2024年08月

页数：313

书号：978-7-115-64917-1

原版书书名：Reinforcement Learning

原版书出版商：O'Reilly Media

斋藤康毅

1984年生于日本长崎县，东京工业大学毕业，并完成东京大学研究生院课程。目前在某企业从事人工智能相关的研究和开发工作。著有《深度学习入门：基于Python的理论与实现》，同时也是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版译者。

查看斋藤康毅更多信息

购买选项

定价：109.80元

书号：978-7-115-64917-1

出版社：人民邮电出版社

联系出版社邮购