Easy RL 強化學(xué)習(xí)教程

定　價：￥99.90

作　者：	王琦，楊毅遠(yuǎn)，江季著
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115584700	出版時間：	2022-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	268	字?jǐn)?shù)：

內(nèi)容簡介

　　強化學(xué)習(xí)作為機器學(xué)習(xí)及人工智能領(lǐng)域的一種重要方法，在游戲、自動駕駛、機器人路線規(guī)劃等領(lǐng)域得到了廣泛的應(yīng)用。本書結(jié)合了李宏毅老師的“深度強化學(xué)習(xí)”、周博磊老師的“強化學(xué)習(xí)綱要”、李科澆老師的“世界冠軍帶你從零實踐強化學(xué)習(xí)”公開課的精華內(nèi)容，在理論嚴(yán)謹(jǐn)?shù)幕A(chǔ)上深入淺出地介紹馬爾可夫決策過程、蒙特卡洛方法、時序差分方法、Sarsa、Q 學(xué)習(xí)等傳統(tǒng)強化學(xué)習(xí)算法，以及策略梯度、近端策略優(yōu)化、深度Q 網(wǎng)絡(luò)、深度確定性策略梯度等常見深度強化學(xué)習(xí)算法的基本概念和方法，并以大量生動有趣的例子幫助讀者理解強化學(xué)習(xí)問題的建模過程以及核心算法的細(xì)節(jié)。此外，本書還提供較為全面的習(xí)題解答以及Python 代碼實現(xiàn)，可以讓讀者進(jìn)行端到端、從理論到輕松實踐的全生態(tài)學(xué)習(xí)，充分掌握強化學(xué)習(xí)算法的原理并能進(jìn)行實戰(zhàn)。本書適合對強化學(xué)習(xí)感興趣的讀者閱讀，也可以作為相關(guān)課程的配套教材。

作者簡介

　　王琦中國科學(xué)院大學(xué)碩士在讀，Datawhale成員。主要研究方向為深度學(xué)習(xí)、數(shù)據(jù)挖掘。曾獲中國大學(xué)生計算機設(shè)計大賽二等獎、亞太地區(qū)大學(xué)生數(shù)學(xué)建模競賽（APMCM）二等獎和“挑戰(zhàn)杯”競賽江蘇省選拔賽二等獎，發(fā)表 SCI/EI 論文3篇。楊毅遠(yuǎn)清華大學(xué)碩士在讀， Datawhale成員。主要研究方向為時空數(shù)據(jù)挖掘、智能傳感系統(tǒng)、深度學(xué)習(xí)。曾獲全國大學(xué)生智能汽車競賽總冠軍、中國國家獎學(xué)金，發(fā)表SCI/EI論文7篇，其中以第一作者身份在SCI的Q1區(qū)、Q2區(qū)及中國計算機學(xué)會（CCF）A、B類會議中發(fā)表論文4篇。江季北京大學(xué)碩士在讀， Datawhale成員。主要研究方向為強化學(xué)習(xí)、機器人。曾獲大學(xué)生電子設(shè)計競賽——2018年嵌入式系統(tǒng)專題邀請賽（英特爾杯）一等獎，發(fā)表頂會論文1篇、專利2項。

圖書目錄

第 1 章緒論 1

1.1 強化學(xué)習(xí)概述 1

1.1.1 強化學(xué)習(xí)與監(jiān)督學(xué)習(xí) 1

1.1.2 強化學(xué)習(xí)的例子 5

1.1.3 強化學(xué)習(xí)的歷史 7

1.1.4 強化學(xué)習(xí)的應(yīng)用 8

1.2 序列決策概述 10

1.2.1 智能體和環(huán)境 10

1.2.2 獎勵 10

1.2.3 序列決策 10

1.3 動作空間 12

1.4 強化學(xué)習(xí)智能體的組成部分和類型 12

1.4.1 策略 13

1.4.2 價值函數(shù) 13

1.4.3 模型 14

1.4.4 強化學(xué)習(xí)智能體的類型 16

1.5 學(xué)習(xí)與規(guī)劃 19

1.6 探索和利用 20

1.7 強化學(xué)習(xí)實驗 22

1.7.1 Gym 23

1.7.2 MountainCar-v0 例子27

1.8 關(guān)鍵詞 30

1.9 習(xí)題 31

1.10 面試題 32

參考文獻(xiàn) 32

第 2 章馬爾可夫決策過程 33

2.1 馬爾可夫過程 34

2 | Easy RL：強化學(xué)習(xí)教程

2.1.1 馬爾可夫性質(zhì) 34

2.1.2 馬爾可夫過程/馬爾可夫鏈 34

2.1.3 馬爾可夫過程的例子 35

2.2 馬爾可夫獎勵過程 36

2.2.1 回報與價值函數(shù) 36

2.2.2 貝爾曼方程 38

2.2.3 計算馬爾可夫獎勵過程價值的迭代算法 42

2.2.4 馬爾可夫獎勵過程的例子 43

2.3 馬爾可夫決策過程 44

2.3.1 馬爾可夫決策過程中的策略 44

2.3.2 馬爾可夫決策過程和馬爾可夫過程/馬爾可夫獎勵過程的區(qū)別 45

2.3.3 馬爾可夫決策過程中的價值函數(shù) 45

2.3.4 貝爾曼期望方程 46

2.3.5 備份圖47

2.3.6 策略評估 49

2.3.7 預(yù)測與控制 51

2.3.8 動態(tài)規(guī)劃 53

2.3.9 使用動態(tài)規(guī)劃進(jìn)行策略評估 53

2.3.10 馬爾可夫決策過程控制 56

2.3.11 策略迭代 58

2.3.12 價值迭代 61

2.3.13 策略迭代與價值迭代的區(qū)別 63

2.3.14 馬爾可夫決策過程中的預(yù)測和控制總結(jié) 66

2.4 關(guān)鍵詞 67

2.5 習(xí)題 68

2.6 面試題 69

參考文獻(xiàn) 69

第3 章表格型方法 70

3.1 馬爾可夫決策過程 70

3.1.1 有模型71

3.1.2 免模型72

3.1.3 有模型與免模型的區(qū)別 73

3.2 Q 表格 73

3.3 免模型預(yù)測 77

3.3.1 蒙特卡洛方法 77

3.3.2 時序差分方法 80

3.3.3 動態(tài)規(guī)劃方法、蒙特卡洛方法以及時序差分方法的自舉和采樣 86

3.4 免模型控制 88

3.4.1 Sarsa：同策略時序差分控制 91

3.4.2 Q 學(xué)習(xí)：異策略時序差分控制 94

3.4.3 同策略與異策略的區(qū)別 97

3.5 使用Q 學(xué)習(xí)解決懸崖尋路問題 98

3.5.1 CliffWalking-v0 環(huán)境簡介 98

3.5.2 強化學(xué)習(xí)基本接口 100

3.5.3 Q 學(xué)習(xí)算法 102

3.5.4 結(jié)果分析 103

3.6 關(guān)鍵詞 104

3.7 習(xí)題105

3.8 面試題 105

參考文獻(xiàn) 105

第4 章策略梯度 106

4.1 策略梯度算法 106

4.2 策略梯度實現(xiàn)技巧 115

4.2.1 技巧1：添加基線 115

4.2.2 技巧2：分配合適的分?jǐn)?shù) 117

4.3 REINFORCE：蒙特卡洛策略梯度 119

4.4 關(guān)鍵詞 125

4.5 習(xí)題125

4.6 面試題 125

參考文獻(xiàn) 126

第5 章近端策略優(yōu)化 127

5.1 從同策略到異策略 127

5.2 近端策略優(yōu)化 133

5.2.1 近端策略優(yōu)化懲罰 134

4 | Easy RL：強化學(xué)習(xí)教程

5.2.2 近端策略優(yōu)化裁剪 135

5.3 關(guān)鍵詞 138

5.4 習(xí)題139

5.5 面試題 139

參考文獻(xiàn) 139

第6 章深度Q 網(wǎng)絡(luò) 140

6.1 狀態(tài)價值函數(shù) 140

6.2 動作價值函數(shù) 145

6.3 目標(biāo)網(wǎng)絡(luò) 150

6.4 探索152

6.5 經(jīng)驗回放 154

6.6 深度Q 網(wǎng)絡(luò)算法總結(jié)156

6.7 關(guān)鍵詞 157

6.8 習(xí)題158

6.9 面試題 159

參考文獻(xiàn) 159

第7 章深度Q 網(wǎng)絡(luò)進(jìn)階技巧 160

7.1 雙深度Q 網(wǎng)絡(luò) 160

7.2 競爭深度Q 網(wǎng)絡(luò) 162

7.3 優(yōu)先級經(jīng)驗回放 165

7.4 在蒙特卡洛方法和時序差分方法中取得平衡 166

7.5 噪聲網(wǎng)絡(luò) 167

7.6 分布式Q 函數(shù) 168

7.7 彩虹170

7.8 使用深度Q 網(wǎng)絡(luò)解決推車桿問題 172

7.8.1 CartPole-v0 簡介 172

7.8.2 深度Q 網(wǎng)絡(luò)基本接口 173

7.8.3 回放緩沖區(qū)175

7.8.4 Q 網(wǎng)絡(luò) 175

7.8.5 深度Q 網(wǎng)絡(luò)算法 176

7.8.6 結(jié)果分析 178

7.9 關(guān)鍵詞 179

7.10 習(xí)題 180

7.11 面試題 180

參考文獻(xiàn) 180

第8 章針對連續(xù)動作的深度Q 網(wǎng)絡(luò) 181

8.1 方案1：對動作進(jìn)行采樣182

8.2 方案2：梯度上升 182

8.3 方案3：設(shè)計網(wǎng)絡(luò)架構(gòu) 182

8.4 方案4：不使用深度Q 網(wǎng)絡(luò) 183

8.5 習(xí)題184

第9 章演員-評論員算法 185

9.1 策略梯度回顧 185

9.2 深度Q 網(wǎng)絡(luò)回顧 186

9.3 演員-評論員算法 187

9.4 優(yōu)勢演員-評論員算法 188

9.5 異步優(yōu)勢演員-評論員算法 190

9.6 路徑衍生策略梯度 191

9.7 與生成對抗網(wǎng)絡(luò)的聯(lián)系 195

9.8 關(guān)鍵詞 196

9.9 習(xí)題196

9.10 面試題 196

第 10 章深度確定性策略梯度 197

10.1 離散動作與連續(xù)動作的區(qū)別 197

10.2 深度確定性策略梯度199

10.3 雙延遲深度確定性策略梯度 203

10.4 使用深度確定性策略梯度解決倒立擺問題 205

10.4.1 Pendulum-v1 簡介 205

10.4.2 深度確定性策略梯度基本接口 206

10.4.3 Ornstein-Uhlenbeck 噪聲 207

10.4.4 深度確定性策略梯度算法 208

10.4.5 結(jié)果分析209

10.5 關(guān)鍵詞 211

10.6 習(xí)題 211

10.7 面試題 211

參考文獻(xiàn) 211

第 11 章稀疏獎勵212

11.1 設(shè)計獎勵 212

11.2 好奇心 214

11.3 課程學(xué)習(xí) 216

11.4 分層強化學(xué)習(xí) 219

11.5 關(guān)鍵詞 221

11.6 習(xí)題 222

參考文獻(xiàn) 222

第 12 章模仿學(xué)習(xí)223

12.1 行為克隆 223

12.2 逆強化學(xué)習(xí) 226

12.3 第三人稱視角模仿學(xué)習(xí) 231

12.4 序列生成和聊天機器人 232

12.5 關(guān)鍵詞 233

12.6 習(xí)題 233

參考文獻(xiàn) 234

第 13 章AlphaStar 論文解讀 235

13.1 AlphaStar 以及背景簡介 235

13.2 AlphaStar 的模型輸入和輸出是什么呢？——環(huán)境設(shè)計 235

13.2.1 狀態(tài)（網(wǎng)絡(luò)的輸入） 236

13.2.2 動作（網(wǎng)絡(luò)的輸出） 236

13.3 AlphaStar 的計算模型是什么呢？——網(wǎng)絡(luò)結(jié)構(gòu) 237

13.3.1 輸入部分237

13.3.2 中間過程239

13.3.3 輸出部分239

13.4 龐大的AlphaStar 如何訓(xùn)練呢？——學(xué)習(xí)算法 240

13.4.1 監(jiān)督學(xué)習(xí)240

13.4.2 強化學(xué)習(xí)241

13.4.3 模仿學(xué)習(xí)242

13.4.4 多智能體學(xué)習(xí)/自學(xué)習(xí) 243

13.5 AlphaStar 實驗結(jié)果如何呢？——實驗結(jié)果 243

13.5.1 宏觀結(jié)果243

13.5.2 其他實驗（消融實驗） 244

13.6 關(guān)于AlphaStar 的總結(jié) 245

參考文獻(xiàn) 245