深入淺出強化學習：原理入門

1 緒論 1
1.1 這是一本什么書 1
1.2 強化學習可以解決什么問題 2
1.3 強化學習如何解決問題 4
1.4 強化學習算法分類及發(fā)展趨勢 5
1.5 強化學習仿真環(huán)境構(gòu)建 7
1.5.1 gym安裝及簡單的demo示例 8
1.5.2 深入剖析gym環(huán)境構(gòu)建 10
1.6 本書主要內(nèi)容及安排 12
第一篇 強化學習基礎(chǔ) 17
2 馬爾科夫決策過程 18
2.1 馬爾科夫決策過程理論講解 18
2.2 MDP中的概率學基礎(chǔ)講解 26
2.3 基于gym的MDP實例講解 29
2.4 習題 34
3 基于模型的動態(tài)規(guī)劃方法 36
3.1 基于模型的動態(tài)規(guī)劃方法理論 36
3.2 動態(tài)規(guī)劃中的數(shù)學基礎(chǔ)講解 47
3.2.1 線性方程組的迭代解法 47
3.2.2 壓縮映射證明策略評估的收斂性 49
3.3 基于gym的編程實例 52
3.4 最優(yōu)控制與強化學習比較 54
3.5 習題 56
第二篇 基于值函數(shù)的強化學習方法 57
4 基于蒙特卡羅的強化學習方法 58
4.1 基于蒙特卡羅方法的理論 58
4.2 統(tǒng)計學基礎(chǔ)知識 67
4.3 基于Python的編程實例 71
4.4 習題 74
5 基于時間差分的強化學習方法 75
5.1 基于時間差分強化學習算法理論講解 75
5.2 基于Python和gym的編程實例 83
5.3 習題 87
6 基于值函數(shù)逼近的強化學習方法 88
6.1 基于值函數(shù)逼近的理論講解 88
6.2 DQN及其變種 94
6.2.1 DQN方法 94
6.2.2 Double DQN 100
6.2.3 優(yōu)先回放（Prioritized Replay） 102
6.2.4 Dueling DQN 104
6.3 函數(shù)逼近方法 105
6.3.1 基于非參數(shù)的函數(shù)逼近 105
6.3.2 基于參數(shù)的函數(shù)逼近 111
6.3.3 卷積神經(jīng)網(wǎng)絡 117
6.4 習題 123
第三篇 基于直接策略搜索的強化學習方法 125
7 基于策略梯度的強化學習方法 126
7.1 基于策略梯度的強化學習方法理論講解 126
7.2 基于gym和TensorFlow的策略梯度算法實現(xiàn) 134
7.2.1 安裝Tensorflow 135
7.2.2 策略梯度算法理論基礎(chǔ) 135
7.2.3 Softmax策略及其損失函數(shù) 136
7.2.4 基于TensorFlow的策略梯度算法實現(xiàn) 138
7.2.5 基于策略梯度算法的小車倒立擺問題 141
7.3 習題 141
8 基于置信域策略優(yōu)化的強化學習方法 142
8.1 理論基礎(chǔ) 143
8.2 TRPO中的數(shù)學知識 153
8.2.1 信息論 153
8.2.2 優(yōu)化方法 155
8.3 習題 164
9 基于確定性策略搜索的強化學習方法 165
9.1 理論基礎(chǔ) 165
9.2 習題 170
10 基于引導策略搜索的強化學習方法 171
10.1 理論基礎(chǔ) 171
10.2 GPS中涉及的數(shù)學基礎(chǔ) 178
10.2.1 監(jiān)督相LBFGS優(yōu)化方法 178
10.2.2 ADMM算法 179
10.2.3 KL散度與變分推理 183
10.3 習題 184
第四篇 強化學習研究及前沿 185
11 逆向強化學習 186
11.1 概述 186
11.2 基于最大邊際的逆向強化學習 187
11.3 基于最大熵的逆向強化學習 194
11.4 習題 201
12 組合策略梯度和值函數(shù)方法 202
13 值迭代網(wǎng)絡 207
13.1 為什么要提出值迭代網(wǎng)絡 207
13.2 值迭代網(wǎng)絡 210
14 基于模型的強化學習方法：PILCO及其擴展 214
14.1 概述 214
14.2 PILCO 216
14.3 濾波PILCO和探索PILCO 226
14.3.1 濾波PILCO算法 227
14.3.2 有向探索PILCO算法 230
14.4 深度PILCO 232
后記 235
參考文獻 237