- 强化学习
- - 作者：(英)菲尔·温德尔|责编:刘炽|译者:邹伟//康俊鹏//王伟
  - 出版社：中国电力
  - ISBN：9787519869618
  - 出版日期：2023/02/01
  - 页数：427
- 售价：51.2

内容大纲
    强化学习将是未来十年在人工智能领域的最大突破之一，强化学习算法能够使得智能体在环境中学习任意目标。这一令人兴奋的发展打破了传统机器学习的算法约束。这本实用的书向数据科学和人工智能专业人员展示了如何通过强化的手段使机器能够自己学习。
    本书作者创办了自己名字命名的研究型公司，本书涵盖了从基本的构建模块到最先进的实践。通过本书，你将探索强化学习的当前状态、关注工业应用、学习大量算法，本书还有专门章节介绍如何将强化学习的解决方案部署到生产环节。这并不是一本随用随翻的工具书，书中包含很多数学知识，并期望读者是熟悉机器学习的。
    学习强化学习是什么，以及算法如何解决具体问题。
    掌握强化学习的基础知识，包括马尔可夫决策过程、动态规划和时间差分算法。
    深入研究一系列基于值函数和政策梯度的算法。
    应用先进的强化学习解决方案，如元学习、分层学习、多智能体、模仿学习等。
    了解最前沿的深度强化学习算法，包括Rainbow、PPO、TD3、SAC等。
    通过本书专门的配套网站获得实践代码和案例。
作者介绍
菲尔·温德尔博士是一名多学科交叉的软件工程师、作家和科技顾问，同时也是温德研究所的CE0。该研究所主要提供云计算科学咨询，主营业务是帮助初创公司和大型企业改进数据流程、平台以及产品。作者于英国赫尔大学获得电子工程硕士和博士学位，现居英国约克郡。
目录
前言
第1章  强化学习概述
  1.1  为什么现在就需要强化学习？
  1.2  机器学习
  1.3  强化学习
    1.3.1  什么时候使用强化学习
    1.3.2  强化学习的应用场景
  1.4  强化学习的种类
    1.4.1  免模型学习或有模型学习
    1.4.2  智能体如何使用并更新它们的策略
    1.4.3  离散或连续的行为
    1.4.4  优化方法
    1.4.5  策略评估和改进
  1.5  强化学习的基本概念
    1.5.1  历史上第一个强化学习算法
    1.5.2  强化学习和机器学习是一种东西吗？
    1.5.3  奖励和反馈
  1.6  强化学习的发展简史
  1.7  本章总结
  1.8  扩展阅读
  1.9  参考文献
第2章  马尔可夫决策过程，动态规划，蒙特卡洛方法
  2.1  多臂老虎机测试
    2.1.1  奖励工程
    2.1.2  策略评估：价值函数
    2.1.3  策略改进：选择*佳动作
    2.1.4  模拟环境
    2.1.5  运行实验
    2.1.6  ε-贪婪算法的改进
  2.2  马尔可夫决策过程
    2.2.1  库存控制
    2.2.2  库存控制仿真
  2.3  策略与价值函数
    2.3.1  打折的奖励
    2.3.2  用状态–价值函数预测奖励
    2.3.3  用动作值函数预测奖励
    2.3.4  最优策略
  2.4  蒙特卡洛策略生成
  2.5  动态规划的值迭代
    2.5.1  值迭代的过程
    2.5.2  数值迭代结果
  2.6  总结
  2.7  扩展阅读
  2.8  参考文献
第3章  时序差分学习，Q学习和n步算法
  3.1  时序差分学习的相关公式
    3.1.1  Q学习
    3.1.2  SARSA
    3.1.3  Q学习与SARSA方法的对比
……

第4章  深度Q网络
第5章  梯度策略
第6章  超越策略梯度
第7章  用熵方法学习所有可能的策略
第8章  改进智能体的学习方式
第9章  强化学习实践
第10章  强化学习的生产部署
第11章  结论与展望
附录A  两种动作的Logistic策略梯度
附录B  Softmax的策略梯度

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目