統(tǒng)計強化學習：現(xiàn)代機器學習方法

譯者序
序
前言
作者簡介
第一部分　簡介
第1章　強化學習介紹3
　1.1　強化學習3
　1.2　數(shù)學形式化8
　1.3　本書結(jié)構(gòu)11
　　1.3.1　模型無關(guān)策略迭代11
　　1.3.2　模型無關(guān)策略搜索12
　　1.3.3　基于模型的強化學習13
第二部分　模型無關(guān)策略迭代
第2章　基于值函數(shù)近似的策略迭代17
　2.1　值函數(shù)17
　　2.1.1　狀態(tài)值函數(shù)17
　　2.1.2　狀態(tài)-動作值函數(shù)18
　2.2　最小二乘策略迭代19
　　2.2.1　瞬時獎賞回歸20
　　2.2.2　算法21
　　2.2.3　正則化23
　　2.2.4　模型選擇25
　2.3　本章小結(jié)26
第3章　值函數(shù)近似中的基函數(shù)設(shè)計27
　3.1　圖中的高斯核27
　　3.1.1　MDP-誘導(dǎo)圖27
　　3.1.2　通用高斯核28
　　3.1.3　測地線高斯核29
　　3.1.4　擴展到連續(xù)狀態(tài)空間30
　3.2　圖解說明30
　　3.2.1　配置30
　　3.2.2　測地線高斯核31
　　3.2.3　通用高斯核33
　　3.2.4　圖拉普拉斯特征基33
　　3.2.5　擴散小波35
　3.3　數(shù)值示例35
　　3.3.1　機器人手臂控制35
　　3.3.2　機器人導(dǎo)航39
　3.4　本章小結(jié)46
第4章　策略迭代中的樣本重用47
　4.1　形式化47
　4.2　離策略值函數(shù)近似48
　　4.2.1　片段重要性加權(quán)49
　　4.2.2　每次決策的重要性加權(quán)50
　　4.2.3　自適應(yīng)的每次決策重要性加權(quán)50
　　4.2.4　圖解說明51
　4.3　展平參數(shù)的自動選擇54
　　4.3.1　重要性加權(quán)交叉驗證54
　　4.3.2　圖解說明55
　4.4　樣本重用策略迭代56
　　4.4.1　算法56
　　4.4.2　圖解說明56
　4.5　數(shù)值示例58
　　4.5.1　倒立擺58
　　4.5.2　小車爬山61
　4.6　本章小結(jié)64
第5章　策略迭代中的主動學習65
　5.1　主動學習的高效探索65
　　5.1.1　問題配置65
　　5.1.2　泛化誤差的分解66
　　5.1.3　估計泛化誤差67
　　5.1.4　設(shè)計采樣策略68
　　5.1.5　圖解說明69
　5.2　主動策略迭代72
　　5.2.1　具有主動學習的樣本重用策略迭代72
　　5.2.2　圖解說明73
　5.3　數(shù)值示例74
　5.4　本章小結(jié)76
第6章　魯棒策略迭代79
　6.1　策略迭代中的魯棒性和可靠性79
　　6.1.1　魯棒性79
　　6.1.2　可靠性80
　6.2　最小絕對策略迭代81
　　6.2.1　算法81
　　6.2.2　圖解說明81
　　6.2.3　性質(zhì)82
　6.3　數(shù)值示例83
　6.4　可能的拓展88
　　6.4.1　Huber損失88
　　6.4.2　pinball損失89
　　6.4.3　deadzone-linear損失90
　　6.4.4　切比雪夫逼近90
　　6.4.5　條件風險值91
　6.5　本章小結(jié)92
第三部分　模型無關(guān)策略搜索
第7章　梯度上升的直接策略搜索95
　7.1　形式化95
　7.2　梯度方法96
　　7.2.1　梯度上升96
　　7.2.2　方差約簡的基線減法98
　　7.2.3　梯度估計量的方差分析99
　7.3　自然梯度法101
　　7.3.1　自然梯度上升101
　　7.3.2　圖解說明103
　7.4　計算機圖形中的應(yīng)用：藝術(shù)家智能體104
　　7.4.1　東方山水畫繪畫104
　　7.4.2　狀態(tài)、動作和瞬時獎賞的設(shè)計106
　　7.4.3　實驗結(jié)果111
　7.5　本章小結(jié)113
第8章　期望最大化的直接策略搜索117
　8.1　期望最大化方法117
　8.2　樣本重用119
　　8.2.1　片段重要性加權(quán)119
　　8.2.2　每次決策的重要性加權(quán)122
　　8.2.3　自適應(yīng)的每次決策重要性加權(quán)123
　　8.2.4　展平參數(shù)的自動選擇123
　　8.2.5　樣本重用的加權(quán)獎賞回歸125
　8.3　數(shù)值示例125
　8.4　本章小結(jié)131
第9章　策略優(yōu)先搜索133
　9.1　形式化133
　9.2　基于參數(shù)探索的策略梯度134
　　9.2.1　策略優(yōu)先的梯度上升134
　　9.2.2　方差約簡的基線減法135
　　9.2.3　梯度估計量的方差分析136
　　9.2.4　數(shù)值示例138
　9.3　策略優(yōu)先搜索中的樣本重用142
　　9.3.1　重要性加權(quán)142
　　9.3.2　基線減法的方差約簡144
　　9.3.3　數(shù)值示例146
　9.4　本章小結(jié)153
第四部分　基于模型的強化學習
第10章　轉(zhuǎn)移模型估計157
　10.1　條件密度估計157
　　10.1.1　基于回歸的方法157
　　10.1.2　ε-鄰域核密度估計158
　　10.1.3　最小二乘條件密度估計159
　10.2　基于模型的強化學習161
　10.3　數(shù)值示例162
　　10.3.1　連續(xù)型鏈條游走162
　　10.3.2　人形機器人控制167
　10.4　本章小結(jié)171
第11章　轉(zhuǎn)移模型估計的維度約簡173
　11.1　充分維度約簡173
　11.2　平方損失條件熵173
　　11.2.1　條件獨立174
　　11.2.2　利用SCE進行維度約簡175
　　11.2.3　SCE與平方損失互信息的關(guān)系176
　11.3　數(shù)值示例176
　　11.3.1　人工和標準數(shù)據(jù)集176
　　11.3.2　人形機器人179
　11.4　本章小結(jié)182
參考文獻183