用Python动手学强化学习

1.从基础到应用，一本书快速入门强化学习
2.基于Python实现强化学习，直观理解运作过程
3.内容丰富，涵盖强化学习基本概念、算法详解、前沿应用、弱点及对策
4.132张图表与大量示例，全彩印刷图文并茂提供良好阅读体验
5.附免费下载源代码为读者提供亲身实践机会

强化学习是机器学习的重要分支之一。《用Python动手学强化学习》结合实际可运行的Python代码，通过简明的文字、丰富的插图和示例，通俗易懂地介绍了从基础概念到前沿应用等方方面面的内容，包括根据环境和经验制订计划的学习方法、强化学习与神经网络的组合，以及强化学习的弱点和克服方法。读者通过下载书中代码并亲自动手运行，可以快速入门强化学习并进行实践。

[日]久保隆宏（作者）
任职于日本大型系统集成商TIS，具有丰富的机器学习研究和开发经验。论文共享网站站arXivTimes运营者，积极致力于技术普及，著有《TensorFlow应用指南》（合著）。
梁垿（译者）
硕士毕业于日本早稻田大学，研究方向为机器学习。目前在日本大型系统集成商TIS任自然语言处理工程师。热爱长跑与读书，喜欢科幻、蒸汽朋克、克苏鲁等题材的作品。
程引（译者）
工学博士学位，毕业于上海交通大学。目前在日本BizReach公司（Visional Group）AI部门任算法工程师。业务方向为推荐系统与自然语言处理，研究兴趣包括强化学习与自动控制。

第 1章　了解强化学习 1
1．1　强化学习与各关键词之间的关系 1
1．2　强化学习的优点和弱点 8
1．3　强化学习的问题设定：马尔可夫决策过程 9

第 2章　强化学习的解法(1)：根据环境制订计划 21
2．1　价值的定义和计算：贝尔曼方程 22
2．2　基于动态规划法的价值近似的学习：价值迭代 28
2．3　基于动态规划法的策略的学习：策略迭代 32
2．4　基于模型的方法和无模型的方法的区别 36

第3章　强化学习的解法(2)：根据经验制订计划 39
3．1　平衡经验的积累与利用：Epsilon-Greedy 算法 41
3．2　是根据实际奖励还是预测来修正计划：蒙特卡洛方法和时序差分学习 46
3．3　用经验来更新价值近似还是策略：基于价值和基于策略 62

第4章　使用面向强化学习的神经网络 73
4．1　将神经网络应用于强化学习 74
4．2　通过含有参数的函数实现价值近似：价值函数近似 100
4．3　将深度学习应用于价值近似：DQN 109
4．4　通过含有参数的函数实现策略：策略梯度 121
4．5　将深度学习应用于策略：A2C 133
4．6　是价值近似还是策略呢 153

第5章　强化学习的弱点 157
5．1　获取样本的效率低 157
5．2　容易陷入局部最优行动和过拟合160
5．3　复现性差 163
5．4　以弱点为前提的对策 164

第6章　克服强化学习弱点的方法 169
6．1　应对采样效率低的方法：与基于模型的方法一起使用、表征学习 170
6．2　改善复现性的方法：进化策略 198
6．3　应对局部最优行动和过拟合的方法：模仿学习和逆强化学习 206

第7章　强化学习的应用领域 237
7．1　行动的最优化 239
7．2　学习的最优化 248
参考文献 252