强化学习算法入门

图书标准信息

• 作者 曾我部东马
• 出版社 水利水电出版社
• 出版时间 2024-01
• 版次 1
• ISBN 9787522617619
• 定价 69.80元
• 装帧 其他
• 开本 32开
• 纸张 胶版纸
• 页数 175页
• 字数 203.000千字

【内容简介】

作为第一个战胜围棋世界冠军的人工智能机器人AlphaGo，我们知道其主要工作原理是深度学习。随着AlphaGo Zero和Alpha Zero的相继发布，作为机器学习经典算法之一的强化学习，在人工智能领域受到了更多的关注。
  《强化学习算法入门》使用通俗易懂的语言，按照“原理-公式-程序”的方式，对强化学习的基础知识进行了详细讲解。书中先让大家从熟悉的“平均值计算”作为切入点，学习强化学习的基本概念，然后结合实例学习了函数近似方法、深度强化学习的原理和方法等，比较了各算法的特点和应用，并用Python和MATLAB两种语言进行了编程实现。
  《强化学习算法入门》内容丰富，实践性强，特别适合高校人工智能相关专业学生，机器学习、深度学习工程师等学习强化学习算法。

【作者简介】

[日] 曾我部东马

理学博士(物理学专业)。曾任马克斯·普朗克研究所（德国）博士研究员、剑桥大学（英国）研究员。2009年回到日本，参与创立了Grid公司，担任董事兼首席技术官。2011年起先后担任东京大学尖端科学技术研究中心特聘助理教授、特聘副教授。2016年3月起任电气通信大学副教授，同时兼任Grid公司首席技术顾问、东京大学尖端科学技术研究中心客座研究员至今。

他以开发具有“深度学习—深度强化学习—回归预测—优化”功能的跨功能机器学习框架∞ReNom而闻名，目前在开发以量子机器学习为代表的最先进量子算法∞ReNomQ的同时，还致力于使用深度强化学习的“在线优化问题”的研究。

【目录】

章基于“均”的强化学的基本概念

1.0简介

1.1均值与期望值

1.1.1均值

1.1.2期望值

1.1.3期望值与均值的关系

1.2均值和价值

结

1.3均值和马尔可夫

1.3.1均值的计算公式及其变形

1.3.2逐次均值表达和mp

1.4用均值推导贝尔曼方程

1.4.1均值表达和价值函数的引入

1.4.2决策型贝尔曼方程式的推导

1.4.3概率型贝尔曼方程式的推导

……