強(qiáng)化學(xué)習(xí)：原理與Python實(shí)戰(zhàn)

目錄
數(shù)學(xué)符號(hào)表
前言
第1章初識(shí)強(qiáng)化學(xué)習(xí)111強(qiáng)化學(xué)習(xí)及其關(guān)鍵元素1
1．2強(qiáng)化學(xué)習(xí)的應(yīng)用3
1．3智能體/環(huán)境接口4
1．4強(qiáng)化學(xué)習(xí)的分類6
1．4．1按任務(wù)分類6
1．4．2按算法分類8
1．5強(qiáng)化學(xué)習(xí)算法的性能指標(biāo)9
1．6案例：基于Gym庫的智能體/環(huán)境接口10
1．6．1安裝Gym庫11
1．6．2使用Gym庫11
1．6．3小車上山13
1．7本章小結(jié)18
1．8練習(xí)與模擬面試19
第2章Markov決策過程2121Markov決策過程模型21
2．1．1離散時(shí)間Markov決策過程21
2．1．2環(huán)境與動(dòng)力24
2．1．3策略26
2．1．4帶折扣的回報(bào)26
2．2價(jià)值27
2．2．1價(jià)值的定義28
2．2．2價(jià)值的性質(zhì)28
2．2．3策略的偏序和改進(jìn)34
2．3帶折扣的分布35
2．3．1帶折扣的分布的定義35
2．3．2帶折扣的分布的性質(zhì)37
2．3．3帶折扣的分布和策略的等價(jià)性39
2．3．4帶折扣的分布下的期望40
2．4最優(yōu)策略與最優(yōu)價(jià)值41
2．4．1從最優(yōu)策略到最優(yōu)價(jià)值41
2．4．2最優(yōu)策略的存在性42
2．4．3最優(yōu)價(jià)值的性質(zhì)與Bellman
最優(yōu)方程43
2．4．4用線性規(guī)劃法求解最優(yōu)價(jià)值48
2．4．5用最優(yōu)價(jià)值求解最優(yōu)策略51
2．5案例：懸崖尋路52
2．5．1使用環(huán)境52
2．5．2求解策略價(jià)值53
2．5．3求解最優(yōu)價(jià)值54
2．5．4求解最優(yōu)策略55
2．6本章小結(jié)55
2．7練習(xí)與模擬面試57
第3章有模型數(shù)值迭代5931Bellman算子及其性質(zhì)59
3．2有模型策略迭代64
3．2．1策略評(píng)估65
3．2．2策略改進(jìn)66
3．2．3策略迭代67
3．3價(jià)值迭代68
3．4自益與動(dòng)態(tài)規(guī)劃69
3．5案例：冰面滑行70
3．5．1使用環(huán)境71
3．5．2有模型策略迭代求解73
3．5．3有模型價(jià)值迭代求解76
3．6本章小結(jié)76
3．7練習(xí)與模擬面試77
第4章回合更新價(jià)值迭代78
4．1同策回合更新79
4．1．1同策回合更新策略評(píng)估79
4．1．2帶起始探索的同策回合更新84
4．1．3基于柔性策略的同策回合更新86
4．2異策回合更新89
4．2．1重要性采樣89
4．2．2異策回合更新策略評(píng)估92
4．2．3異策回合更新最優(yōu)策略求解93
4．3實(shí)驗(yàn)：21點(diǎn)游戲94
4．3．1使用環(huán)境94
4．3．2同策策略評(píng)估96
4．3．3同策最優(yōu)策略求解98
4．3．4異策策略評(píng)估101
4．3．5異策最優(yōu)策略求解102
4．4本章小結(jié)103
4、5練習(xí)與模擬面試104
第5章時(shí)序差分價(jià)值迭代10651時(shí)序差分目標(biāo)106
5．2同策時(shí)序差分更新109
5．2．1時(shí)序差分更新策略評(píng)估109
5．2．2SARSA算法113
5．2．3期望SARSA算法115
5．3異策時(shí)序差分更新117
5．3．1基于重要性采樣的異策算法117
5．3．2Q學(xué)習(xí)119
5．3．3雙重Q學(xué)習(xí)120
5．4資格跡121
5．4．1λ回報(bào)122
5．4．2TD(λ)算法123
5．5案例：的士調(diào)度125
5．5．1使用環(huán)境126
5．5．2同策時(shí)序差分學(xué)習(xí)127
5．5．3異策時(shí)序差分學(xué)習(xí)130
5．5．4資格跡學(xué)習(xí)132
56本章小結(jié)134
57練習(xí)與模擬面試135
第6章函數(shù)近似方法137
6.1函數(shù)近似原理138
6.2基于梯度的參數(shù)更新139
6.2．1隨機(jī)梯度下降139
6.2．2半梯度下降141
6.2．3帶資格跡的半梯度下降142
6．3函數(shù)近似的收斂性144
6．3．1收斂的條件144
6．3．2Baird反例145
6．4深度Q網(wǎng)絡(luò)147
6．4．1經(jīng)驗(yàn)回放148
6．4．2目標(biāo)網(wǎng)絡(luò)151
6．4．3雙重深度Q網(wǎng)絡(luò)152
6．4．4決斗深度Q網(wǎng)絡(luò)153
6．5案例：小車上山154
6．5．1使用環(huán)境155
6．5．2用線性近似求解最優(yōu)策略156
6.5.3用深度Q網(wǎng)絡(luò)求解最優(yōu)策略161
6.6本章小結(jié)172
6.7練習(xí)與模擬面試172
第7章回合更新策略梯度方法17471策略梯度算法的原理174
7.1.1函數(shù)近似策略174
7.1.2策略梯度定理175
7.1.3策略梯度和極大似然估計(jì)的關(guān)系179
7.2同策回合更新策略梯度算法179
7.2.1簡(jiǎn)單的策略梯度算法180
7.2.2帶基線的簡(jiǎn)單策略梯度算法180
7.3異策回合更新策略梯度算法182
7.4案例：車桿平衡183
7.4.1用同策策略梯度算法求解最優(yōu)策略184
7.4.2用異策策略梯度算法求解最優(yōu)策略189
7.5本章小結(jié)195
7.6練習(xí)與模擬面試196
第8章執(zhí)行者/評(píng)論者197
8.1執(zhí)行者/評(píng)論者方法197
8.2同策執(zhí)行者/評(píng)論者算法198
8.2.1動(dòng)作價(jià)值執(zhí)行者/評(píng)論者算法198
8.2.2優(yōu)勢(shì)執(zhí)行者/評(píng)論者算法199
8.2.3帶資格跡的執(zhí)行者/評(píng)論者算法200
8.3基于代理優(yōu)勢(shì)的同策算法201
8.3.1性能差別引理201
8.3.2代理優(yōu)勢(shì)202
8.3.3鄰近策略優(yōu)化203
8.4自然梯度和信賴域算法205
8.4.1KL散度與Fisher信息矩陣206
8.4.2代理優(yōu)勢(shì)的信賴域208
8.4.3自然策略梯度算法209
8.4.4信賴域策略優(yōu)化212
8.5重要性采樣異策執(zhí)行者/評(píng)論者算法213
8.6案例：雙節(jié)倒立擺214
8.6.1用同策執(zhí)行者/評(píng)論者算法求解最優(yōu)策略216
8.6.2用基于代理優(yōu)勢(shì)的同策算法求解最優(yōu)策略226
8.6.3用自然策略梯度和信賴域算法求解最優(yōu)策略230
8.6.4用重要性采樣異策執(zhí)行者/評(píng)論者算法求解最優(yōu)策略242
8.7本章小結(jié)246
8.8練習(xí)與模擬面試247
第9章連續(xù)動(dòng)作空間的確定性策略248
9.1確定性策略梯度定理248
9.2同策確定性算法250
9.3異策確定性算法251
9.3.1基本的異策確定性執(zhí)行者/評(píng)論者算法251
9.3.2深度確定性策略梯度算法253
9.3.3雙重延遲深度確定性策略梯度算法254
9.4探索過程255
9.5案例：倒立擺的控制256
9.5.1用深