Python强化学习实战：应用OpenAI Gym和TensorFlow精通强化学习和深度强化学习
	定价	69.00
	出版社	机械工业出版社
	版次
	出版时间	2018年12月
	开本	16开
	作者	Sudharsan Ravichandiran 著
	装帧	平装-胶订
	页数
	字数
	ISBN编码	9787111612889
	重量	378

强化学习是一种重要的机器学习方法，在智能体及分析预测等领域有许多应用。本书共13章，主要包括强化学习的各种要素，即智能体、环境、策略和模型以及相应平台和库；Anaconda、Docker、OpenAIGym、Universe和TensorFlow等安装配置；马尔可夫链和马尔可夫过程及其与强化学习问题建模之间的关系，动态规划的基本概念；蒙特卡罗方法以及不同类型的蒙特卡罗预测和控制方法；时间差分学习、预测、离线/在线策略控制等；多臂赌博机问题以及相关的各种探索策略方法；深度学习的各种基本概念和RNN、LSTM、CNN等神经网络；深度强化学习算法DQN，以及双DQN和对抗网络体系结构等改进架构；DRQN以及DARQN；A3C网络的基本工作原理及架构；策略梯度和优化问题；*后介绍了强化学习的*新进展以及未来发展。


译者序 原书前言 第壹章 强化学习简介 //1 1.1 什么是强化学习 //1 1.2 强化学习算法 //2 1.3 强化学习与其他机器学习范式的不同 //3 1.4 强化学习的要素 //3 1.4.1 智能体 //3 1.4.2 策略函数 //3 1.4.3 值函数 //4 1.4.4 模型 //4 1.5 智能体环境接口 //4 1.6 强化学习的环境类型 //5 1.6.1 确定性环境 //5

译者序

原书前言

第壹章 强化学习简介 //1 

1.1 什么是强化学习 //1 

1.2 强化学习算法 //2 

1.3 强化学习与其他机器学习范式的不同 //3 

1.4 强化学习的要素 //3 

1.4.1 智能体 //3 

1.4.2 策略函数 //3 

1.4.3 值函数 //4 

1.4.4 模型 //4 

1.5 智能体环境接口 //4 

1.6 强化学习的环境类型 //5 

1.6.1 确定性环境 //5 

1.6.2 随机性环境 //5 

1.6.3 wan全可观测环境 //5 

1.6.4 部分可观测环境 //5 

1.6.5 离散环境 //5 

1.6.6 连续环境 //5 

1.6.7 情景和非情景环境 //5 

1.6.8 单智能体和多智能体环境 //6 

1.7 强化学习平台 //6 

1.7.1 OpenAI Gym和Universe //6 

1.7.2 DeepMind Lab //6 

1.7.3 RL-Glue //6 

1.7.4 Project Malmo //6 

1.7.5 VizDoom //6 

1.8 强化学习的应用 //7 

1.8.1 教育 //7 

1.8.2 医疗和健康 //7 

1.8.3 制造业 //7 

1.8.4 库存管理 //7 

1.8.5 金融 //7 

1.8.6 自然语言处理和计算机视觉 //7 

1.9 小结 //8 

1.10 问题 //8 

1.11 扩展阅读 //8

第2章 从OpenAI和TensorFlow入门 //9 

2.1 计算机设置 //9 

2.1.1 安装Anaconda //9 

2.1.2 安装Docker //10 

2.1.3 安装OpenAI Gym和Universe //11 

2.2 OpenAI Gym //13 

2.2.1 基本模拟 //13 

2.2.2 训练机器人行走 //14 

2.3 OpenAI Universe //16 

2.3.1 构建一个视频游戏机器人 //16 

2.4 TensorFlow //20 

2.4.1 变量、常量和占位符 //20 

2.4.2 计算图 //21 

2.4.3 会话 //21 

2.4.4 TensorBoard //22 

2.5 小结 //25 

2.6 问题 //25 

2.7 扩展阅读 //25 

第3章 马尔可夫决策过程和动态规划 //26 

3.1 马尔可夫链和马尔可夫过程 //26 

3.2 MDP //27 

3.2.1 奖励和回报 //28 

3.2.2 情景和连续任务 //28 

3.2.3 折扣因数 //28 

3.2.4 策略函数 //29 

3.2.5 状态值函数 //29 

3.2.6 状态—行为值函数（Q函数）//30 

3.3 Bellman方程和*优性 //30 

3.3.1 推导值函数和Q函数的Bellman方程 //31 

3.4 求解Bellman方程 //32 

3.4.1 动态规划 //32 

3.5 求解冰冻湖问题 //38 

3.5.1 值迭代 //39 

3.5.2 策略迭代 //43 

3.6 小结 //45 

3.7 问题 //45 

3.8 扩展阅读 //46

第4章 基于蒙特卡罗方法的博弈游戏 //47 

4.1 蒙特卡罗方法 //47 

4.1.1 利用蒙特卡罗方法估计π值 //47 

4.2 蒙特卡罗预测 //50 

4.2.1 首*访问蒙特卡罗 //51 

4.2.2 每次访问蒙特卡罗 //52 

4.2.3 利用蒙特卡罗方法玩二十一点游戏 //52 

4.3 蒙特卡罗控制 //58 

4.3.1 蒙特卡罗探索开始 //58 

4.3.2 在线策略的蒙特卡罗控制 //59 

4.3.3 离线策略的蒙特卡罗控制 //61 

4.4 小结 //62 

4.5 问题 //62 

4.6 扩展阅读 //63

第5章 时间差分学习 //64 

5.1 时间差分学习 //64 

5.2 时间差分预测 //64 

5.3 时间差分控制 //66 

5.3.1 Q学习 //66 

5.3.2 SARSA //72 

5.4 Q学习和SARSA之间的区别 //77 

5.5 小结 //77 

5.6 问题 //78 

5.7 扩展阅读 //78

第6章 MAB问题 //79 

6.1 MAB问题 //79 

6.1.1 ε贪婪策略 //80 

6.1.2 Softmax探索算法 //82 

6.1.3 UCB算法 //83 

6.1.4 Thompson采样算法 //85 

6.2 MAB的应用 //86 

6.3 利用MAB识别正确的广告标识 //87 

6.4 上下文赌博机 //89 

6.5 小结 //89 

6.6 问题 //89 

6.7 扩展阅读 //89

第7章 深度学习基础 //90 

7.1 人工神经元 //90 

7.2 ANN //91 

7.2.1 输入层 //92 

7.2.2 隐层 //92 

7.2.3 输出层 //92 

7.2.4 激活函数 //92 

7.3 深入分析ANN //93 

7.3.1 梯度下降 //95 

7.4 TensorFlow中的神经网络 //99 

7.5 RNN //101 

7.5.1 基于时间的反向传播 //103 

7.6 LSTM RNN //104 

7.6.1 利用LSTM RNN生成歌词 //105 

7.7 CNN //108 

7.7.1 卷积层 //109 

7.7.2 池化层 //111 

7.7.3 全连接层 //112 

7.7.4 CNN架构 //112 

7.8 利用CNN对时尚产品进行分类 //113 

7.9 小结 //117 

7.10 问题 //117 

7.11 扩展阅读 //118

第8章 基于DQN的Atari游戏 //119 

8.1 什么是DQN //119 

8.2 DQN的架构 //120 

8.2.1 卷积网络 //120 

8.2.2 经验回放 //121 

8.2.3 目标网络 //121 

8.2.4 奖励裁剪 //122 

8.2.5 算法理解 //122 

8.3 构建一个智能体来玩Atari游戏 //122 

8.4 双DQN //129 

8.5 优先经验回放 //130 

8.6 对抗网络体系结构 //130 

8.7 小结 //131 

8.8 问题 //132 

8.9 扩展阅读 //132

第9章 基于DRQN玩Doom游戏 //133 

9.1 DRQN //133 

9.1.1 DRQN架构 //134 

9.2 训练一个玩Doom游戏的智能体 //135 

9.2.1 基本的Doom游戏 //135 

9.2.2 基于DRQN的Doom游戏 //136 

9.3 DARQN //145 

9.3.1 DARQN架构 //145 

9.4 小结 //145 

9.5 问题 //146 

9.6 扩展阅读 //146

第壹0章 A3C网络 //147 

10.1 A3C //147 

10.1.1 异步优势行为者 //147 

10.1.2 A3C架构 //148 

10.1.3 A3C的工作原理 //149 

10.2 基于A3C爬山 //149 

10.2.1 TensorBoard中的可视化 //155 

10.3 小结 //158 

10.4 问题 //158 

10.5 扩展阅读 //158

第壹1章 策略梯度和优化 //159 

11.1 策略梯度 //159 

11.1.1 基于策略梯度的月球着陆器 //160 

11.2 DDPG //164 

11.2.1 倒立摆 //165 

11.3 TRPO //170 

11.4 PPO //173 

11.5 小结 //175 

11.6 问题 //175 

11.7 扩展阅读 //175 

第壹2章 Capstone项目—基于DQN的赛车游戏 //176 

12.1 环境封装函数 //176 

12.2 对抗网络 //179 

12.3 回放记忆 //180 

12.4 训练网络 //181 

12.5 赛车游戏 //186 

12.6 小结 //189 

12.7 问题 //189 

12.8 扩展阅读 //189

第壹3章 *新进展和未来发展 //190 

13.1 I2A //190 

13.2 基于人类偏好的学习 //193 

13.3 DQfd //194 

13.4 HER //195 

13.5 HRL //196 

13.5.１ MAXQ值函数分解 //196 

13.6 逆向强化学习 //198 

13.7 小结 //199 

13.8 问题 //199 

13.9 扩展阅读 //199

附录 知识点 //200

显示全部信息