深入浅出强化学习：原理入门

书名：深入浅出强化学习：原理入门
作者：郭宪/方勇纯
译者：
ISBN：9787121329180
出版社：电子工业出版社
出版时间：2018-1
格式：epub/mobi/azw3/pdf
页数：256
豆瓣评分： 5.5

书籍简介：

《深入浅出强化学习：原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理，覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手，将强化学习问题纳入到严谨的数学框架中，接着阐述了解决此类问题最基本的方法——动态规划方法，并从中总结出解决强化学习问题的基本思路：交互迭代策略评估和策略改善。基于这个思路，分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。 除了系统地介绍基本理论，书中还介绍了相应的数学基础和编程实例。因此，《深入浅出强化学习：原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。

作者简介：

书友短评：

@ 钻石她怕 从马尔科夫决策过程MDP，到决策/动作状态转移概率矩阵已知时的基于模型的动态规划方法，转移概率矩阵未知的基于无模型的强化学习方法。无论转移概率矩阵是否已知，都需要策略迭代算法/值迭代算法/策略搜索算法。就像强化学习（或增强学习）的名字暗示的那样，其中还包括bootstrapping算法。无模型的强化学习中的蒙特卡洛MC算法/时间差分TD算法。连续空间下的值函数逼近算法。顺带补充了一些统计/优化/gym/TensorFlow/Python/强化学习前沿等内容。好书推荐。 @ missgod 主要看的是policy gradient相关的几张，在Q－learning之后； 算是看懂了，但是有些公式推倒的细节还是没看明白，有些证明像是无理由的强行塞进；内容与价格不符。后来在youtbe上去翻相关video，英语世界讲的还真是蛮清楚，而且免费。。。唉 @ Éphémère 无语 不适合当课本 看的云里雾里 @ 马路涯子 本书作者基本照抄ucl课件，翻译不认真、解释不到位：能把pub翻译成发表文章也是醉了，人家明明是酒馆喝酒 @ catcat 客观的评价：简介作者为研究强化学习的博士，书籍却粗制滥造，确实让人大跌眼镜。1 概念不清晰，连强化学习的脉络都没有梳理清楚。2 过于口语化，开篇一来就吃肉啃骨头的口语化一大堆，不像治学严谨的博士写出来的 3 插图过于随意不清晰，不知道从网上哪里download下来直接上传，希望可以认真点起码让读者看清楚图 4 代码不要直接网上截图，请作者亲自检验 @ seleven 一星都多，完全不值得一读，到处抄袭，存在版权风险。 @ 大海 对于我这种小白来说，粗略了解到理论发展和框架，附带一定的例子实践

1 绪论 1
1.1 这是一本什么书 1
1.2 强化学习可以解决什么问题 2
1.3 强化学习如何解决问题 4
1.4 强化学习算法分类及发展趋势 5
1.5 强化学习仿真环境构建 7
1.5.1 gym安装及简单的demo示例 8
1.5.2 深入剖析gym环境构建 10
1.6 本书主要内容及安排 12
第一篇 强化学习基础 17
2 马尔科夫决策过程 18
2.1 马尔科夫决策过程理论讲解 18
2.2 MDP中的概率学基础讲解 26
2.3 基于gym的MDP实例讲解 29
2.4 习题 34
3 基于模型的动态规划方法 36
3.1 基于模型的动态规划方法理论 36
3.2 动态规划中的数学基础讲解 47
3.2.1 线性方程组的迭代解法 47
3.2.2 压缩映射证明策略评估的收敛性 49
3.3 基于gym的编程实例 52
3.4 最优控制与强化学习比较 54
3.5 习题 56
第二篇 基于值函数的强化学习方法 57
4 基于蒙特卡罗的强化学习方法 58
4.1 基于蒙特卡罗方法的理论 58
4.2 统计学基础知识 67
4.3 基于Python的编程实例 71
4.4 习题 74
5 基于时间差分的强化学习方法 75
5.1 基于时间差分强化学习算法理论讲解 75
5.2 基于Python和gym的编程实例 83
5.3 习题 87
6 基于值函数逼近的强化学习方法 88
6.1 基于值函数逼近的理论讲解 88
6.2 DQN及其变种 94
6.2.1 DQN方法 94
6.2.2 Double DQN 100
6.2.3 优先回放（Prioritized Replay） 102
6.2.4 Dueling DQN 104
6.3 函数逼近方法 105
6.3.1 基于非参数的函数逼近 105
6.3.2 基于参数的函数逼近 111
6.3.3 卷积神经网络 117
6.4 习题 123
第三篇 基于直接策略搜索的强化学习方法 125
7 基于策略梯度的强化学习方法 126
7.1 基于策略梯度的强化学习方法理论讲解 126
7.2 基于gym和TensorFlow的策略梯度算法实现 134
7.2.1 安装Tensorflow 135
7.2.2 策略梯度算法理论基础 135
7.2.3 Softmax策略及其损失函数 136
7.2.4 基于TensorFlow的策略梯度算法实现 138
7.2.5 基于策略梯度算法的小车倒立摆问题 141
7.3 习题 141
8 基于置信域策略优化的强化学习方法 142
8.1 理论基础 143
8.2 TRPO中的数学知识 153
8.2.1 信息论 153
8.2.2 优化方法 155
8.3 习题 164
9 基于确定性策略搜索的强化学习方法 165
9.1 理论基础 165
9.2 习题 170
10 基于引导策略搜索的强化学习方法 171
10.1 理论基础 171
10.2 GPS中涉及的数学基础 178
10.2.1 监督相LBFGS优化方法 178
10.2.2 ADMM算法 179
10.2.3 KL散度与变分推理 183
10.3 习题 184
第四篇 强化学习研究及前沿 185
11 逆向强化学习 186
11.1 概述 186
11.2 基于最大边际的逆向强化学习 187
11.3 基于最大熵的逆向强化学习 194
11.4 习题 201
12 组合策略梯度和值函数方法 202
13 值迭代网络 207
13.1 为什么要提出值迭代网络 207
13.2 值迭代网络 210
14 基于模型的强化学习方法：PILCO及其扩展 214
14.1 概述 214
14.2 PILCO 216
14.3 滤波PILCO和探索PILCO 226
14.3.1 滤波PILCO算法 227
14.3.2 有向探索PILCO算法 230
14.4 深度PILCO 232
后记 235
参考文献 237
· · · · · ·

　　博文视点AI系列(共108册)，这套丛书还有《深度学习核心技术与实践》《解析深度学习：卷积神经网络原理与视觉实践》《深度学习视频理解》《深入浅出深度学习：原理剖析与Python实践》《神经网络与深度学习》等。

添加微信公众号:好书天下获取