用Python動手學(xué)強化學(xué)習(xí)

第 1章　了解強化學(xué)習(xí) 1
1．1　強化學(xué)習(xí)與各關(guān)鍵詞之間的關(guān)系 1
1．2　強化學(xué)習(xí)的優(yōu)點和弱點 8
1．3　強化學(xué)習(xí)的問題設(shè)定：馬爾可夫決策過程 9
第 2章　強化學(xué)習(xí)的解法(1)：根據(jù)環(huán)境制訂計劃 21
2．1　價值的定義和計算：貝爾曼方程 22
2．2　基于動態(tài)規(guī)劃法的價值近似的學(xué)習(xí)：價值迭代 28
2．3　基于動態(tài)規(guī)劃法的策略的學(xué)習(xí)：策略迭代 32
2．4　基于模型的方法和無模型的方法的區(qū)別 36
第3章　強化學(xué)習(xí)的解法(2)：根據(jù)經(jīng)驗制訂計劃 39
3．1　平衡經(jīng)驗的積累與利用：Epsilon-Greedy 算法 41
3．2　是根據(jù)實際獎勵還是預(yù)測來修正計劃：蒙特卡洛方法和時序差分學(xué)習(xí) 46
3．3　用經(jīng)驗來更新價值近似還是策略：基于價值和基于策略 62
第4章　使用面向強化學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò) 73
4．1　將神經(jīng)網(wǎng)絡(luò)應(yīng)用于強化學(xué)習(xí) 74
4．2　通過含有參數(shù)的函數(shù)實現(xiàn)價值近似：價值函數(shù)近似 100
4．3　將深度學(xué)習(xí)應(yīng)用于價值近似：DQN 109
4．4　通過含有參數(shù)的函數(shù)實現(xiàn)策略：策略梯度 121
4．5　將深度學(xué)習(xí)應(yīng)用于策略：A2C 133
4．6　是價值近似還是策略呢 153
第5章　強化學(xué)習(xí)的弱點 157
5．1　獲取樣本的效率低 157
5．2　容易陷入局部最優(yōu)行動和過擬合160
5．3　復(fù)現(xiàn)性差 163
5．4　以弱點為前提的對策 164
第6章　克服強化學(xué)習(xí)弱點的方法 169
6．1　應(yīng)對采樣效率低的方法：與基于模型的方法一起使用、表征學(xué)習(xí) 170
6．2　改善復(fù)現(xiàn)性的方法：進化策略 198
6．3　應(yīng)對局部最優(yōu)行動和過擬合的方法：模仿學(xué)習(xí)和逆強化學(xué)習(xí) 206
第7章　強化學(xué)習(xí)的應(yīng)用領(lǐng)域 237
7．1　行動的最優(yōu)化 239
7．2　學(xué)習(xí)的最優(yōu)化 248
參考文獻 252