万本电子书0元读

万本电子书0元读

顶部广告

深度强化学习核心算法与应用电子书

暂无

售       价:¥

纸质售价:¥54.50购买纸书

63人正在读 | 0人评论 7.1

作       者:陈世勇,苏博览,等

出  版  社:电子工业出版社

出版时间:2021-09-01

字       数:8.5万

所属分类: 科技 > 计算机/网络 > 多媒体/数据通信

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
强化学习是实现决策智能的主要途径之一。经历数十年的发展,强化学习领域已经枝繁叶茂,技术内容纷繁复杂,这也为初学者快速门造成障碍。 本书是一本深度强化学习领域的门读物。全书分为四部分。部分主要阐述强化学习领域的基本理论知识;第二部分讲解深度强化学习常用算法的原理、各算法之间的继承与发展,以及各自的算法流程;第三部分总结深度强化学习算法在游戏、推荐系统等领域的应用;第四部分探讨了该领域存在的问题和发展前景。 本书适合对强化学习感兴趣的读者阅读。<br/>【作者】<br/>陈世勇腾讯游戏AI研究中心高级算法研究员。毕业于南京大学机器学习与数据挖掘研究所,主要从事强化学习、分布式机器学习方面的研究工作,并在国际会议和期刊上发表多篇论文。对于大规模强化学习在游戏AI和推荐系统领域的研究和落地有着丰富经验,负责了多款游戏的强化学习AI项目和“淘宝锦囊”强化学习推荐项目研发,参与了虚拟淘宝项目研发。苏博览新加坡国立大学博士,曾任职于腾讯游戏AI研究中心,参与了QQ飞车和斗地主游戏AI的研发,在国际会议和期刊发表论文数十篇,在机器学习和强化学习上有丰富的科研和落地应用经验。杨敬文腾讯游戏AI研究中心高级算法研究员。毕业于南京大学机器学习与数据挖掘研究所,获南京大学“优秀毕业生”称号、南京大学计算机优秀硕士毕业论文奖。曾获全国大学生大数据竞赛名,在国际顶会发表多篇论文和技术文章。长期从事强化学习在游戏领域的研究与应用,是竞速类、格斗类、射类、多人在线战术竞技类等强化学习AI项目的主要负责人之一,具有丰厚的强化学习研究和落地的经验。<br/>
目录展开

内容简介

好评袭来

前言

第一部分 基础理论篇

1 马尔可夫决策过程

1.1 马尔可夫性

1.2 一些基本定义

1.3 值函数

1.4 基于策略的值函数

1.5 贝尔曼方程

1.6 策略迭代与值迭代

2 无模型的强化学习

2.1 蒙特卡罗方法

2.1.1 蒙特卡罗方法预测状态V值

2.1.2 蒙特卡罗方法预测Q值

2.1.3 蒙特卡罗策略优化算法

2.1.4 探索和利用

2.1.5 异策略蒙特卡罗方法

2.2 时间差分方法

2.2.1 基本思想

2.2.2 Sarsa算法

2.2.3 Q-Learning算法

2.3 值函数估计和策略搜索

2.3.1 值函数估计

2.3.2 策略搜索

3 有模型的强化学习

3.1 什么是模型

3.2 基本思路

3.3 有模型方法和无模型方法的区别

3.4 典型算法

第二部分 常用算法篇

4 DQN算法

4.1 算法介绍

4.1.1 背景

4.1.2 核心技术

4.1.3 算法流程

4.2 相关改进

4.2.1 Double Q-Learning

4.2.2 优先级回放

4.2.3 Dueling Networks

4.3 实验效果与小结

5 A3C算法

5.1 Actor-Critic方法

5.2 基线减法与优势函数

5.3 博采众长的A3C算法

5.4 实验效果与小结

6 确定性策略梯度方法

6.1 随机性策略梯度与确定性策略梯度

6.2 异策略的确定性策略梯度

6.3 深度确定性策略梯度

6.4 D4PG算法

6.4.1 分布式

6.4.2 值函数分布

6.4.3 N-step TD误差和优先级的经验回放

6.5 实验效果与小结

7 PPO算法

7.1 PPO算法的核心

7.2 TRPO算法

7.3 PPO算法

7.4 实验效果与小结

7.4.1 替代函数的对比

7.4.2 在连续空间中与其他算法的对比

7.4.3 小结

8 IMPALA算法

8.1 算法架构

8.2 V-trace算法

8.3 V-trace Actor-Critic算法

8.4 实验效果与小结

8.4.1 计算性能

8.4.2 单任务训练性能

8.4.3 多任务训练性能

8.4.4 小结

第三部分 应用实践篇

9 深度强化学习在棋牌游戏中的应用

9.1 棋盘类游戏

9.1.1 AlphaGo:战胜人类围棋冠军

9.1.2 AlphaGo Zero:不使用人类数据,从头学习

9.1.3 AlphaZero:从围棋到更多

9.2 牌类游戏

9.2.1 Suphx的五个模型

9.2.2 Suphx的训练过程和算法优化

9.2.3 Suphx的线上实战表现

10 深度强化学习在电子游戏中的应用

10.1 研发游戏中的机器人

10.1.1 单机游戏

10.1.2 对战游戏

10.1.3 小结

10.2 制作游戏动画

10.3 其他应用

11 深度强化学习在推荐系统中的应用

11.1 适用的场景

11.1.1 动态变化

11.1.2 考虑长期利益

11.2 淘宝锦囊推荐中的应用

11.2.1 淘宝锦囊推荐介绍

11.2.2 问题建模与推荐框架

11.2.3 算法设计与实验

12 深度强化学习在其他领域中的应用

12.1 在无人驾驶中的应用

12.2 金融交易中的应用

12.3 信息安全中的应用

12.4 自动调参中的应用

12.5 交通控制中的应用

第四部分 总结与展望篇

13 问题与挑战

13.1 样本利用率低

13.2 奖赏函数难以设计

13.3 实验效果难复现

13.4 行为不完全可控

14 深度强化学习往何处去

14.1 未来发展和研究方向

14.1.1 有模型的方法潜力巨大

14.1.2 模仿学习

14.1.3 迁移学习的引入

14.1.4 分层强化学习

14.2 审慎乐观,大有可为

参考资料

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部