深度强化学习实践（影印版英文版）

图书标准信息

• 作者 Maxim、Lapan 著
• 出版社 东南大学出版社
• 出版时间 2019-05
• 版次 1
• ISBN 9787564183219
• 定价 109.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 523页
• 正文语种 英语

【内容简介】

　　强化学习（RL）的新发展结合深度学习（DL），在训练代理以类似人的方式解决复杂问题方面取得了未有的进步。Google使用算法在著名的Atari街机游戏中获胜将该领域推至高峰，研究人员也在源源不断地产生新的想法。
　　《深度强化学习实践（影印版 英文版）》介绍了RL的基础知识，为你提供了编写智能学习代理所需的原理，以承担一系列艰巨的实际任务。让你了解如何在“网格世界”环境中实现Q-learning，教你的代理购买和交易股票，发现自然语言模型如何推动了聊天机器人的火爆。

【作者简介】

　　Maxim Lapan，is a deep learning enthusiast and independent researcher. His background and 15 years' work expertise as a software developer and a systems architect lays from low-level Linux kernel driver development to performance optimization and design of distributed applications working on thousands of servers. With vast work experiences in big data，Machine Learning， and large parallel distributed HPC and nonHPC systems， he has a talent to explain a gist of complicated things in simple words and vivid examples.His current areas of interest lie in practical applications of Deep Learning， such as Deep Natural Language Processing and Deep Reinforcement Learning.
　　Maxim lives in Moscow， Russian Federation， with his family， and he works for an Israeli start-up as a Senior NLP developer.

【目录】

Preface
Chapter 1： What is Reinforcement Learning?
Learning - supervised， unsupervised， and reinforcement
RL formalisms and relations
Reward
The agent
The environment
Actions
Observations
Markov decision processes
Markov process
Markov reward process
Markov decision process
Summary

Chapter 2： OpenAI Gym
The anatomy of the agent
Hardware and software requirements
OpenAI Gym API
Action space
Observation space
The environment
Creation of the environment
The CartPole session
The random CartPole agent
The extra Gym functionality - wrappers and monitors
Wrappers
Monitor
Summary

Chapter 3： Deep Learning with PyTorch
Tensors
Creation of tensors
Scalar tensors
Tensor operations
GPU tensors
Gradients
Tensors and gradients
NN building blocks
Custom layers
Final glue - loss functions and optimizers
Loss functions
Optimizers
Monitoring with TensorBoard
TensorBoard 101
Plotting stuff
Example -GAN on Atari images
Summary

Chapter 4： The Cross-Entropy Method
Taxonomy of RL methods
Practical cross-entropy
Cross-entropy on CartPole
Cross-entropy on FrozenLake
Theoretical background of the cross-entropy method
Summary

Chapter 5： Tabular Learning and the Bellman Equation
Value， state， and optimality
The Bellman equation of optimality
Value of action
The value iteration method
Value iteration in practice
Q-learning for FrozenLake
Summary

Chapter 6： Deep Q-Networks
Chapter 7： DQN Extensions
Chapter 8： Stocks Trading Using RL
Chapter 9： Policy Gradients - An Alternative
Chapter 10： The Actor-Critic Method
Chapter 11： Asynchronous Advantaqe Actor-Critic
Chapter 12： Chatbots Training with RL
Chapter 13： Web Navigation
Chapter 14： Continuous Action Space
Chapter 15： Trust Regions - TRPO， PPO， and ACKTR
Chapter 16： Black-Box Optimization in RL
Chapter 17： Beyond Model-Free - Imagination
Chapter 18： AlphaGo Zero
Other Books You May Enjoy
Index