深度强化学习核心算法与应用
正版保障 假一赔十 可开发票
￥ 41.34 6.0折 ￥ 69 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者陈世勇，苏博览，杨敬文编著
出版社电子工业出版社
ISBN9787121417603
出版时间2021-09
装帧平装
开本16开
定价69元
货号11254281
上书时间2024-08-24
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈世勇，腾讯游戏AI研究中心高级算法研究员。毕业于南京大学机器学习与数据挖掘研究所，主要从事强化学习、分布式机器学习方面的研究工作，并在国际会议和期刊上发表多篇论文。对于大规模强化学习在游戏AI和推荐系统领域的研究和落地有着丰富经验，负责了多款游戏的强化学习AI项目和“淘宝锦囊”强化学习推荐项目研发，参与了虚拟淘宝项目研发。苏博览新加坡国立大学博士，曾任职于腾讯游戏AI研究中心，参与了QQ飞车和斗地主游戏AI的研发，在国际会议和期刊发表论文数十篇，在机器学习和强化学习上有丰富的科研和落地应用经验。
目录
第I 部分基础理论篇 1
第1 章马尔可夫决策过程 3
1.1 马尔可夫性 3
1.2 一些基本定义 4
1.3 值函数 5
1.4 基于策略的值函数 5
1.5 贝尔曼方程 6
1.6 策略迭代与值迭代 7
第2 章无模型的强化学习 9
2.1 蒙特卡洛方法 10
2.1.1 蒙特卡洛方法预测状态V 值 10
2.1.2 蒙特卡洛方法预测Q 值 11
2.1.3 蒙特卡洛策略优化算法 11
2.1.4 探索和利用 12
2.1.5 异策略蒙特卡洛方法 13
2.2 时间差分方法 16
2.2.1 基本思想 16
2.2.2 Sarsa 算法 17
2.2.3 Q-Learning 算法 20
2.3 值函数估计和策略搜索 23
深度强化学习核心算法与应用
2.3.1 值函数估计 23
2.3.2 策略搜索 24
第3 章有模型的强化学习 27
3.1 什么是模型 27
3.2 基本思路 28
3.3 有模型方法和无模型方法的区别 29
3.4 典型算法 31
第II 部分常用算法篇 33
第4 章DQN 算法 35
4.1 算法介绍 35
4.1.1 背景 36
4.1.2 核心技术 37
4.1.3 算法流程 39
4.2 相关改进 40
4.2.1 Double Q-Learning 40
4.2.2 优先级回放 41
4.2.3 Dueling Networks 41
4.3 实验效果与小结 43
第5 章A3C 算法 45
5.1 Actor-Critic 方法 45
5.2 基线减法与优势函数 47
5.3 博采众长的A3C 算法 48
5.4 实验效果与小结 50
第6 章确定性策略梯度方法 53
6.1 随机性策略梯度与确定性策略梯度 53
iv
目录
6.2 异策略的确定性策略梯度 54
6.3 深度确定性策略梯度 56
6.4 D4PG 算法 57
6.4.1 分布式 57
6.4.2 值函数分布 58
6.4.3 N-step TD 误差和优先级的经验回放 59
6.5 实验效果与小结 59
第7 章PPO 算法 61
7.1 PPO 算法的核心 61
7.2 TRPO 算法 62
7.3 PPO 算法 65
7.4 实验效果与小结 67
7.4.1 替代函数的对比 67
7.4.2 在连续空间中与其他算法的对比 68
7.4.3 小结 69
第8 章IMPALA 算法 71
8.1 算法架构 71
8.2 V-trace 算法 73
8.3 V-trace Actor-Critic 算法 75
8.4 实验效果与小结 76
8.4.1 计算性能 76
8.4.2 单任务训练性能 76
8.4.3 多任务训练性能 78
8.4.4 小结 79
v
深度强化学习核心算法与应用
第III 部分应用实践篇 81
第9 章深度强化学习在棋牌游戏中的应用 83
9.1 棋盘类游戏 84
9.1.1 AlphaGo: 战胜人类围棋冠军 84
9.1.2 AlphaGo Zero: 不使用人类数据，从头学习 87
9.1.3 AlphaZero: 从围棋到更多 90
9.2 牌类游戏 93
9.2.1 Suphx 的五个模型 93
9.2.2 Suphx 的训练过程和算法优化 94
9.2.3 Suphx 的线上实战表现 94
第10 章深度强化学习在电子游戏中的应用 97
10.1 研发游戏中的机器人 97
10.1.1 单机游戏 97
10.1.2 对战游戏 99
10.1.3 小结 104
10.2 制作游戏动画 105
10.3 其他应用 106
第11 章深度强化学习在推荐系统中的应用 109
11.1 适用的场景 110
11.1.1 动态变化 110
11.1.2 考虑长期利益 110
11.2 淘宝锦囊推荐中的应用 111
11.2.1 淘宝锦囊推荐介绍 111
11.2.2 问题建模与推荐框架 112
11.2.3 算法设计与实验 114
vi
目录
第12 章深度强化学习在其他领域中的应用 119
12.1 在无人驾驶中的应用 119
12.2 在金融交易中的应用 121
12.3 在信息安全中的应用 122
12.4 在自动调参中的应用 123
12.5 在交通控制中的应用 124
第IV 部分总结与展望篇 127
第13 章问题与挑战 129
13.1 样本利用率低 129
13.2 奖励函数难以设计 131
13.3 实验效果难复现 132
13.4 行为不完全可控 134
第14 章深度强化学习往何处去 135
14.1 未来发展和研究方向 136
14.1.1 有模型的方法潜力巨大 136
14.1.2 模仿学习 137
14.1.3 迁移学习的引入 138
14.1.4 分层强化学习 140
14.2 审慎乐观，大有可为 141
参考资料 143
主编推荐
"《深度强化学习核心算法与应用》由腾讯游戏的AI算法专家联合写作，作为深度强化学习落地的先行者，他们将自己丰富的实践经验融入了本书。 不同于其他算法书，本书摒弃“枝蔓”，直接切入算法主干，阐述具体场景中算法设计的思路、实现与流程，并侧重分析各类算法之间继承与发扬关系（脉络）。这种写法让读者可以直接掌握深度强化学习算法的本质，举一反三，领悟各类相关算法的精髓，应用于自己的工作中。"
精彩内容
强化学习是实现决策智能的主要途径之一。经历数十年的发展，强化学习领域已经枝繁叶茂，技术内容纷繁复杂，这也为初学者快速入门造成障碍。 本书是一本深度强化学习领域的入门读物。全书分为四部分。第一部分主要阐述强化学习领域的基本理论知识；第二部分讲解深度强化学习常用算法的原理、各算法之间的继承与发展，以及各自的算法流程；第三部分总结深度强化学习算法在游戏、推荐系统等领域的应用；第四部分探讨了该领域存在的问题和发展前景。 本书适合对强化学习感兴趣的读者阅读。
媒体评论
腾讯游戏AI专家联袂奉献，直击算法本质，领悟深度强化学习精髓《深度强化学习核心算法与应用》由腾讯游戏的AI算法专家联合写作，作为深度强化学习落地的先行者，他们将自己丰富的实践经验融入了本书。
不同于其他算法书，本书摒弃“枝蔓”，直接切入算法主干，阐述具体场景中算法设计的思路、实现与流程，并侧重分析各类算法之间继承与发扬关系(脉络)。这种写法让读者可以直接掌握深度强化学习算法的本质，举一反三，领悟各类相关算法的精髓，应用于自己的工作中。
强化学习是实现决策智能的主要途径之一。经历数十年的发展，强化学习领域已经枝繁叶茂，技术内容纷繁复杂，这也为初学者快速入门造成障碍。作者是深度强化学习在游戏领域的早期探索实践者，在腾讯从事多年的游戏AI设计，对强化学习技术的优势与局限有深入理解。本书作为强化学习方向的入门读物，与其他强化学习书籍相比，在介绍强化学习基本概念以外，更加强调对当下流行的深度强化学习算法的介绍，以及对强化学习应用的介绍，这其中包含了作者亲身参与的项目。相信读者能从本书中获得对强化学习技术发展状况的了解，尤其有助于初学者掌握强化学习应用技术的主干。 ——俞扬，南京大学人工智能学院教授
很高兴看到这样一本全面、深入、实用的强化学习书籍面世。强化学习是一个既古老又年轻，并不断散发出全新魅力的技术领域，我和我的团队也一直致力于强化学习技术的工业化落地。正如本书总结与展望篇所说，强化学习的研究和应用还面临诸多挑战，但审慎乐观，大有可为。期待在本书的帮助下，有更多有志之士投身到强化学习技术的学习和实践当中！
——何径舟，百度自然语言处理部总经理
本书的一大特色是重视强化学习算法在工业界的实际应用落地，作者在学术界和工业界都有多年的工作经验，兼具扎实的理论功底和工业界实践经验，尤其对深度强化学习算法应用在游戏领域有广博而深度的认识。 因此本书对于想在工作中尝试深度强化学习的互联网一线AI工程师有切实的指导意义。
——靳志辉(Rick Jin)，日本东京大学人工智能博士，《神奇的伽马函数》作者
— 没有更多了 —
以下为对购买帮助不大的评价