人类从反馈中学习得最好——我们被鼓励采取导致积极结果的行动，而被具有消极后果的决定所阻碍。这种强化过程可以应用到计算机程序中，使它们能够解决经典编程所不能解决的更复杂的问题。深度强化学习实战教你基本概念和术语的深度强化学习，以及实践技能和技术，你将需要把它落实到你自己的项目。
对这项技术
深度强化学习是一种机器学习的形式，人工智能智能体从自己的原始感官输入中学习最优行为。系统感知环境，解释其过去决策的结果，并使用这些信息优化其行为以获得最大的长期回报。众所周知，深度强化学习对AlphaGo的成功做出了贡献，但这并不是它所能做的全部!更令人兴奋的应用程序等待被发现。让我们开始吧。
关于这本书
深度强化学习实战中教你如何编程的代理人，学习和改善的直接反馈，从他们的环境。您将使用流行的PyTorch深度学习框架构建网络，以探索从深度Q-Networks到策略梯度方法再到进化算法的强化学习算法。在你进行的过程中，你会将你所知道的应用到实际操作项目中，比如控制模拟机器人、自动化股票市场交易，甚至构建一个可以下围棋的机器人。
里面有什么
- 将问题组织成马尔可夫决策过程
- 深度Q网络、策略梯度法、进化算法等流行算法及其驱动算法的直觉
- 将强化学习算法应用于实际问题
成为VIP会员查看完整内容
【351页pdf】Deep Reinforcement Learning in Action
相关内容
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员