深度強化學(xué)習(xí)原理與實踐

第1章引言1
1.1深度強化學(xué)習(xí)及其簡史1
1.2深度強化學(xué)習(xí)的應(yīng)用領(lǐng)域3
1.3深度強化學(xué)習(xí)方法的實現(xiàn)4
1.3.1NumPy庫和Matplotlib庫4
1.3.2PyTorch框架7
1.4本章實驗解析11
1.5本書各章聯(lián)系14
1.6本章小結(jié)14
1.7思考與練習(xí)15
第2章從神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)16
2.1神經(jīng)網(wǎng)絡(luò)回顧16
2.1.1神經(jīng)網(wǎng)絡(luò)的推測過程17
2.1.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程18
2.1.3神經(jīng)網(wǎng)絡(luò)實踐23
2.2從神經(jīng)網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)26
2.3深度神經(jīng)網(wǎng)絡(luò)29
2.3.1深度神經(jīng)網(wǎng)絡(luò)的推測過程29
2.3.2深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程30
2.3.3反向模式自動微分34
2.3.4深度神經(jīng)網(wǎng)絡(luò)實踐及分析35
2.4卷積神經(jīng)網(wǎng)絡(luò)37
2.4.1卷積層和合并層38
2.4.2卷積神經(jīng)網(wǎng)絡(luò)實踐41
2.5循環(huán)神經(jīng)網(wǎng)絡(luò)42
2.6本章實驗解析45
2.7本章小結(jié)51
2.8思考與練習(xí)52第3章強化學(xué)習(xí)基礎(chǔ)53
3.1強化學(xué)習(xí)概述53
3.1.1多老虎機問題53
3.1.2利用與探索57
3.1.3強化學(xué)習(xí)的要素58
3.2有限馬爾可夫決策過程59
3.2.1狀態(tài)與馬爾可夫性59
3.2.2什么是有限馬爾可夫決策過程60
3.2.3收益與策略63
3.3求解MDP65
3.3.1貝爾曼方程與貝爾曼最優(yōu)方程65
3.3.2價值迭代69
3.3.3策略評估74
3.3.4策略迭代77
3.3.5廣義策略迭代82
3.4本章實驗解析85
3.5本章小結(jié)90
3.6思考與練習(xí)90
深度強化學(xué)習(xí)原理與實踐目錄第4章行動價值方法92
4.1行動價值與最優(yōu)行動價值92
4.1.1行動價值92
4.1.2最優(yōu)行動價值96
4.2蒙特卡洛方法99
4.3Q學(xué)習(xí)107
4.4DynaQ114
4.5使用監(jiān)督學(xué)習(xí)方法推測最優(yōu)行動價值的極限值118
4.6使用深度神經(jīng)網(wǎng)絡(luò)推測最優(yōu)行動價值的極限值124
4.7本章實驗解析129
4.8本章小結(jié)136
4.9思考與練習(xí)136
第5章策略梯度方法138
5.1策略梯度基本方法138
5.2蒙特卡洛策略梯度方法142
5.2.1各個行動的蒙特卡洛策略梯度方法142
5.2.2單個行動的蒙特卡洛策略梯度方法147
5.2.3平移的蒙特卡洛策略梯度方法149
5.3行動評價方法154
5.4不完全觀測160
5.5本章實驗解析163
5.6本章小結(jié)168
5.7思考與練習(xí)169
附錄A實驗參考程序及注釋171
參考文獻231