最新公告
  • 欢迎您光临IO源码网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 强化学习:原理与Python实现 PDF 下载

    强化学习:原理与Python实现 PDF 下载

    本站整理下载:
    版权归出版社和原作者所有,链接已删除,请购买正版
     
     
    用户下载说明:
    电子版仅供预览,下载后24小时内务必删除,支持正版,喜欢的请购买正版书籍:
    http://product.dangdang.com/27907711.html
      
    相关截图:

    资料简介:

    第1章:介绍强化学习的基础知识与强化学习环境库Gym的使用,并给出完整的编程实例。

     

    第2~9章:介绍强化学习的理论知识。以Markov决策过程为基础模型,覆盖了所有主流强化学习理论和算法,包括资格迹等经典算法和深度确定性梯度策略等深度强化学习算法。所有章节都提供了与算法配套的Python程序,使读者完全掌握强化学习算法的原理与应用。

     

    第10~12章:介绍了多个热门综合案例,包括电动游戏、棋盘游戏和自动驾驶。算法部分涵盖了在《自然》《科学》等权威期刊上发表的多个深度强化学习明星算法,包括AlphaGo的改进版AlphaZero。

    资料目录:

    前言
    第1章 初识强化学习  1
    1.1 强化学习及其关键元素  1
    1.2 强化学习的应用  3
    1.3 智能体/环境接口  4
    1.4 强化学习的分类  6
    1.4.1 按任务分类  6
    1.4.2 按算法分类  7
    1.5 如何学习强化学习  8
    1.5.1 学习路线  9
    1.5.2 学习资源  9
    1.6 案例:基于Gym库的智能体/环境交互  9
    1.6.1 安装Gym库  10
    1.6.2 使用Gym库  10
    1.6.3 小车上山  12
    1.7 本章小结  14
    第2章 Markov决策过程  16
    2.1 Markov决策过程模型  16
    2.1.1 离散时间Markov决策过程  16
    2.1.2 环境与动力  18
    2.1.3 智能体与策略  19
    2.1.4 奖励、回报与价值函数  19
    2.2 Bellman期望方程  21
    2.3 最优策略及其性质  25
    2.3.1 最优策略与最优价值函数  25
    2.3.2 Bellman最优方程  25
    2.3.3 用Bellman最优方程求解最优策略  29
    2.4 案例:悬崖寻路  31
    2.4.1 实验环境使用  31
    2.4.2 求解Bellman期望方程  32
    2.4.3 求解Bellman最优方程  33
    2.5 本章小结  35
    第3章 有模型数值迭代  37
    3.1 度量空间与压缩映射  37
    3.1.1 度量空间及其完备性  37
    3.1.2 压缩映射与Bellman算子  38
    3.1.3 Banach不动点定理  39
    3.2 有模型策略迭代  40
    3.2.1 策略评估  40
    3.2.2 策略改进  42
    3.2.3 策略迭代  44
    3.3 有模型价值迭代  45
    3.4 动态规划  46
    3.4.1 从动态规划看迭代算法  46
    3.4.2 异步动态规划  47
    3.5 案例:冰面滑行  47
    3.5.1 实验环境使用  48
    3.5.2 有模型策略迭代求解  49
    3.5.3 有模型价值迭代求解  51
    3.6 本章小结  52
    第4章 回合更新价值迭代  54
    4.1 同策回合更新  54
    4.1.1 同策回合更新策略评估  54
    4.1.2 带起始探索的同策回合更新  58
    4.1.3 基于柔性策略的同策回合更新  60
    4.2 异策回合更新  62
    4.2.1 重要性采样  62
    4.2.2 异策回合更新策略评估  64
    4.2.3 异策回合更新最优策略求解  65
    4.3 案例:21点游戏  66
    4.3.1 实验环境使用  66
    4.3.2 同策策略评估  67
    4.3.3 同策最优策略求解  70
    4.3.4 异策策略评估  72
    4.3.5 异策最优策略求解  73
    4.4 本章小结  74
    第5章 时序差分价值迭代  76
    5.1 同策时序差分更新  76
    5.1.1 时序差分更新策略评估  78
    5.1.2 SARSA算法  81
    5.1.3 期望SARSA算法  83
    5.2 异策时序差分更新  85
    5.2.1 基于重要性采样的异策算法  85
    5.2.2 Q学习  86
    5.2.3 双重Q学习  87
    5.3 资格迹  89
    5.3.1 λ回报  89
    5.3.2 TD(λ)  90
    5.4 案例:出租车调度  92
    5.4.1 实验环境使用  93
    5.4.2 同策时序差分学习调度  94
    5.4.3 异策时序差分学习调度  97
    5.4.4 资格迹学习调度  99
    5.5 本章小结  100
    第6章 函数近似方法  101
    6.1 函数近似原理  101
    6.1.1 随机梯度下降  101
    6.1.2 半梯度下降  103
    6.1.3 带资格迹的半梯度下降  105
    6.2 线性近似  107
    6.2.1 精确查找表与线性近似的关系  107
    6.2.2 线性最小二乘策略评估  107
    6.2.3 线性最小二乘最优策略求解  109
    6.3 函数近似的收敛性  109
    6.4 深度Q学习  110
    6.4.1 经验回放  111
    6.4.2 带目标网络的深度Q学习  112
    6.4.3 双重深度Q网络  114
    6.4.4 对偶深度Q网络  114
    6.5 案例:小车上山  115
    6.5.1 实验环境使用  116
    6.5.2 用线性近似求解最优策略  117
    6.5.3 用深度Q学习求解最优策略  120
    6.6 本章小结  123
    第7章 回合更新策略梯度方法  125
    7.1 策略梯度算法的原理  125
    7.1.1 函数近似与动作偏好  125
    7.1.2 策略梯度定理  126
    7.2 同策回合更新策略梯度算法  128
    7.2.1 简单的策略梯度算法  128
    7.2.2 带基线的简单策略梯度算法  129
    7.3 异策回合更新策略梯度算法  131
    7.4 策略梯度更新和极大似然估计的关系  132
    7.5 案例:车杆平衡  132
    7.5.1 同策策略梯度算法求解最优策略  133
    7.5.2 异策策略梯度算法求解最优策略  135
    7.6 本章小结  137
    第8章 执行者/评论者方法  139
    8.1 同策执行者/评论者算法  139
    8.1.1 动作价值执行者/评论者算法  140
    8.1.2 优势执行者/评论者算法  141
    8.1.3 带资格迹的执行者/评论者算法  143
    8.2 基于代理优势的同策算法  143
    8.2.1 代理优势  144
    8.2.2 邻近策略优化  145
    8.3 信任域算法  146
    8.3.1 KL散度  146
    8.3.2 信任域  147
    8.3.3 自然策略梯度算法  148
    8.3.4 信任域策略优化  151
    8.3.5 Kronecker因子信任域执行者/评论者算法  152
    8.4 重要性采样异策执行者/评论者算法  153
    8.4.1 基本的异策算法  154
    8.4.2 带经验回放的异策算法  154
    8.5 柔性执行者/评论者算法  157
    8.5.1 熵  157
    8.5.2 奖励工程和带熵的奖励  158
    8.5.3 柔性执行者/评论者的网络设计  159
    8.6 案例:双节倒立摆  161
    8.6.1 同策执行者/评论者算法求解最优策略  162
    8.6.2 异策执行者/评论者算法求解最优策略  168
    8.7 本章小结  170
    第9章 连续动作空间的确定性策略  172
    9.1 同策确定性算法  172
    9.1.1 策略梯度定理的确定性版本  172
    9.1.2 基本的同策确定性执行者/评论者算法  174
    9.2 异策确定性算法  176
    9.2.1 基本的异策确定性执行者/评论者算法  177
    9.2.2 深度确定性策略梯度算法  177
    9.2.3 双重延迟深度确定性策略梯度算法  178
    9.3 案例:倒立摆的控制  180
    9.3.1 用深度确定性策略梯度算法求解  181
    9.3.2 用双重延迟深度确定性算法求解  184
    9.4 本章小结  187
    第10章 综合案例:电动游戏  188
    10.1 Atari游戏环境  188
    10.1.1 Gym库的完整安装  188
    10.1.2 游戏环境使用  190
    10.2 基于深度Q学习的游戏AI  191
    10.2.1 算法设计  192
    10.2.2 智能体的实现  193
    10.2.3 智能体的训练和测试  197
    10.3 本章小结  198
    第11章 综合案例:棋盘游戏  200
    11.1 双人确定性棋盘游戏  200
    11.1.1 五子棋和井字棋  200
    11.1.2 黑白棋  201
    11.1.3 围棋  202
    11.2 AlphaZero算法  203
    11.2.1 回合更新树搜索  203
    11.2.2 深度残差网络  206
    11.2.3 自我对弈  208
    11.2.4 算法流程  210
    11.3 棋盘游戏环境boardgame2  210
    11.3.1 为Gym库扩展自定义环境  211
    11.3.2 boardgame2设计  211
    11.3.3 Gym环境接口的实现  214
    11.3.4 树搜索接口的实现  216
    11.4 AlphaZero算法实现  218
    11.4.1 智能体类的实现  218
    11.4.2 自我对弈的实现  223
    11.4.3 训练智能体  224
    11.5 本章小结  225
    第12章 综合案例:自动驾驶  226
    12.1 AirSim开发环境使用  226
    12.1.1 安装和运行AirSim  226
    12.1.2 用Python访问AirSim  228
    12.2 基于强化学习的自动驾驶  229
    12.2.1 为自动驾驶设计强化学习环境  230
    12.2.2 智能体设计和实现  235
    12.2.3 智能体的训练和测试  237
    12.3 本章小结  239


     

    *** 次数:10600 已用完,请联系开发者***

    1. 本站所有资源来源于用户上传和网络,因此不包含技术服务请大家谅解!如有侵权请邮件联系客服!384324621@qq.com
    2. 本站不保证所提供下载的资源的准确性、安全性和完整性,资源仅供下载学习之用!如有链接无法下载、失效或广告,请联系客服处理,有奖励!
    3. 您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容资源!如用于商业或者非法用途,与本站无关,一切后果请用户自负!
    4. 如果您也有好的资源或教程,您可以投稿发布,成功分享后有★币奖励和额外收入!

    IO 源码网 » 强化学习:原理与Python实现 PDF 下载

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    IO源码吧
    一个高级程序员模板开发平台

    发表评论

    • 97会员总数(位)
    • 11020资源总数(个)
    • 95本周发布(个)
    • 9 今日发布(个)
    • 439稳定运行(天)

    提供最优质的资源集合

    立即查看 了解详情