Python強(qiáng)化學(xué)習(xí)：算法、核心技術(shù)與行業(yè)應(yīng)用

CONTENTS
目　　錄
譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第一部分　強(qiáng)化學(xué)習(xí)基礎(chǔ)
第1章　強(qiáng)化學(xué)習(xí)簡(jiǎn)介　2
1.1　為什么選擇強(qiáng)化學(xué)習(xí)　2
1.2　機(jī)器學(xué)習(xí)的三種范式　3
1.2.1　監(jiān)督學(xué)習(xí)　3
1.2.2　無(wú)監(jiān)督學(xué)習(xí)　4
1.2.3　強(qiáng)化學(xué)習(xí)　4
1.3　強(qiáng)化學(xué)習(xí)應(yīng)用領(lǐng)域和成功案例　5
1.3.1　游戲　6
1.3.2　機(jī)器人技術(shù)和自主系統(tǒng)　7
1.3.3　供應(yīng)鏈　8
1.3.4　制造業(yè)　8
1.3.5　個(gè)性化和推薦系統(tǒng)　9
1.3.6　智慧城市　9
1.4　強(qiáng)化學(xué)習(xí)問(wèn)題的元素　10
1.4.1　強(qiáng)化學(xué)習(xí)概念　10
1.4.2　將井字棋游戲建模為強(qiáng)化
學(xué)習(xí)問(wèn)題　11
1.5　設(shè)置強(qiáng)化學(xué)習(xí)環(huán)境　12
1.5.1　硬件要求　12
1.5.2　操作系統(tǒng)　13
1.5.3　軟件工具箱　13
1.6　總結(jié)　14
1.7　參考文獻(xiàn)　15
第2章　多臂老虎機(jī)　17
2.1　探索–利用權(quán)衡　17
2.2　什么是多臂老虎機(jī)問(wèn)題　18
2.2.1　問(wèn)題定義　18
2.2.2　一個(gè)簡(jiǎn)單多臂老虎機(jī)問(wèn)題
的實(shí)驗(yàn)　19
2.3　案例研究：在線廣告　22
2.4　A/B/n測(cè)試　23
2.4.1　符號(hào)　23
2.4.2　應(yīng)用于在線廣告場(chǎng)景　24
2.4.3　A/B/n測(cè)試的優(yōu)缺點(diǎn)　27
2.5　ε-貪心策略行動(dòng)　27
2.5.1　應(yīng)用于在線廣告場(chǎng)景　27
2.5.2　ε-貪心策略行動(dòng)的優(yōu)缺點(diǎn)　29
2.6　使用置信上界進(jìn)行行動(dòng)選擇　30
2.6.1　應(yīng)用于在線廣告場(chǎng)景　30
2.6.2　使用置信上界的優(yōu)缺點(diǎn)　32
2.7　湯普森（后）采樣　33
2.7.1　應(yīng)用于在線廣告場(chǎng)景　33
2.7.2　湯普森采樣的優(yōu)缺點(diǎn)　36
2.8　總結(jié)　36
2.9　參考文獻(xiàn)　36
第3章　上下文多臂老虎機(jī)　37
3.1　為什么我們需要函數(shù)近似　37
3.2　對(duì)上下文使用函數(shù)近似　38
3.2.1　案例研究：使用合成用戶(hù)
數(shù)據(jù)的上下文在線廣告　39
3.2.2　使用正則化邏輯斯諦回歸
的函數(shù)近似　42
3.2.3　目標(biāo)函數(shù)：悔值小化　45
3.2.4　解決在線廣告問(wèn)題　46
3.3　對(duì)行動(dòng)使用函數(shù)近似　50
3.3.1　案例研究：使用來(lái)自美國(guó)
人口普查的用戶(hù)數(shù)據(jù)的上
下文在線廣告　51
3.3.2　使用神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)
近似　55
3.3.3　計(jì)算悔值　57
3.3.4　解決在線廣告問(wèn)題　57
3.4　多臂老虎機(jī)和上下文老虎機(jī)的
其他應(yīng)用　59
3.4.1　推薦系統(tǒng)　59
3.4.2　網(wǎng)頁(yè)/應(yīng)用程序功能設(shè)計(jì)　60
3.4.3　醫(yī)療保健　60
3.4.4　動(dòng)態(tài)定價(jià)　60
3.4.5　金融　60
3.4.6　控制系統(tǒng)調(diào)整　60
3.5　總結(jié)　61
3.6　參考文獻(xiàn)　61
第4章　馬爾可夫決策過(guò)程的制定　63
4.1　馬爾可夫鏈　63
4.1.1　具有馬爾可夫性的隨機(jī)
過(guò)程　63
4.1.2　馬爾可夫鏈中的狀態(tài)分類(lèi)　65
4.1.3　轉(zhuǎn)移和穩(wěn)態(tài)行為　66
4.1.4　示例：網(wǎng)格世界中的n-
步行為　67
4.1.5　示例：一個(gè)可遍歷馬爾可
夫鏈中的樣本路徑　69
4.1.6　半馬爾可夫過(guò)程和連續(xù)時(shí)
間馬爾可夫鏈　70
4.2　引入獎(jiǎng)勵(lì)：馬爾可夫獎(jiǎng)勵(lì)過(guò)程　70
4.2.1　將獎(jiǎng)勵(lì)附加到網(wǎng)格世界
示例　71
4.2.2　不同初始化的平均獎(jiǎng)勵(lì)之
間的關(guān)系　72
4.2.3　回報(bào)、折扣和狀態(tài)值　72
4.2.4　解析式地計(jì)算狀態(tài)值　73
4.2.5　迭代式地估計(jì)狀態(tài)值　74
4.3　引入行動(dòng)：馬爾可夫決策過(guò)程　75
4.3.1　定義　75
4.3.2　網(wǎng)格世界作為馬爾可夫決
策過(guò)程　76
4.3.3　狀態(tài)值函數(shù)　77
4.3.4　行動(dòng)值函數(shù)　77
4.3.5　優(yōu)狀態(tài)值和行動(dòng)值
函數(shù)　78
4.3.6　貝爾曼優(yōu)性　78
4.4　部分可觀測(cè)的馬爾可夫決策過(guò)程　79
4.5　總結(jié)　80
4.6　練習(xí)　80
4.7　參考文獻(xiàn)　81
第5章　求解強(qiáng)化學(xué)習(xí)問(wèn)題　82
5.1　探索動(dòng)態(tài)規(guī)劃　82
5.1.1　示例用例：食品卡車(chē)的庫(kù)存補(bǔ)充　82
5.1.2　策略評(píng)估　85
5.1.3　策略迭代　90
5.1.4　值迭代　94
5.1.5　動(dòng)態(tài)規(guī)劃方法的缺點(diǎn)　95
5.2　用蒙特卡羅法訓(xùn)練智能體　96
5.2.1　蒙特卡羅預(yù)測(cè)　97
5.2.2　蒙特卡羅控制　104
5.3　時(shí)間差分學(xué)習(xí)　111
5.3.1　一步時(shí)間差分學(xué)習(xí)　112
5.3.2　n-步時(shí)間差分學(xué)習(xí)　117
5.4　了解模擬在強(qiáng)化學(xué)習(xí)中的
重要性　117
5.5　總結(jié)　118
5.6　練習(xí)　119
5.7　參考文獻(xiàn)　119
第二部分　深度強(qiáng)化學(xué)習(xí)
第6章　規(guī)模化的深度Q-學(xué)習(xí)　122
6.1　從表格型Q-學(xué)習(xí)到深度Q-
學(xué)習(xí)　122
6.1.1　神經(jīng)網(wǎng)絡(luò)擬合的Q-迭代　123
6.1.2　在線Q-學(xué)習(xí)　127
6.2　深度Q網(wǎng)絡(luò)　128
6.2.1　DQN中的關(guān)鍵概念　128
6.2.2　DQN算法　129
6.3　DQN擴(kuò)展：Rainbow　130
6.3.1　擴(kuò)展　130
6.3.2　集成智能體的性能　134
6.3.3　如何選擇使用哪些擴(kuò)展：Rainbow的消融實(shí)驗(yàn)　134
6.3.4　“死亡三組合”發(fā)生了什