强化学习(RL)是人工智能的一个流行和有前途的分支,它涉及建立更智能的模型和代理,这些模型和智能体可以根据不断变化的需求自动确定理想的行为。本书将帮助你掌握RL算法,并在构建自学习智能体时理解它们的实现。

从介绍强化学习环境中工作所需的工具、库和设置开始,本书涵盖了强化学习的构建模块,并深入研究了基于值的方法,如Q-learning和SARSA算法的应用。您将学习如何使用Q学习和神经网络的组合来解决复杂问题。此外,在学习DDPG和TD3确定性算法之前,我们还将学习策略梯度方法TRPO和PPO,以提高性能和稳定性。本书还介绍了模仿学习技术的工作原理,以及Dagger如何教会智能体驾驶。您将发现进化策略和黑盒优化技术,并了解它们如何改进RL算法。最后,你将学习探索方法,如UCB和UCB1,并开发一个名为ESBAS的元算法。

读完本书后,你将使用关键的强化学习算法来克服现实应用中的挑战,并成为强化学习研究社区的一员。 https://github.com/PacktPublishing/Reinforcement-Learning-Algorithms-with-Python

内容目录:

1 The Landscape of Reinforcement Learning 2 Implementing RL Cycle and OpenAI Gym 3 Solving Problems with Dynamic Programming 4 Q-Learning and SARSA Applications 5 Deep Q-Network 6 Learning Stochastic and PG Optimization 7 TRPO and PPO Implementation 8 DDPG and TD3 Applications 9 Model-Based RL 10 Imitation Learning with the DAgger Algorithm 11 Understanding Black-Box Optimization Algorithms 12 Developing the ESBAS Algorithm 13 Practical Implementation for Resolving RL Challenges

成为VIP会员查看完整内容
55

相关内容

书籍在狭义上的理解是带有文字和图像的纸张的集合。广义的书则是一切传播信息的媒体。
【2023新书】使用Python进行统计和数据可视化,554页pdf
专知会员服务
125+阅读 · 2023年1月29日
【干货书】机器学习理论与实践,299页pdf
专知会员服务
88+阅读 · 2022年12月5日
【2022新书】深度强化学习基础: Python的理论与实践
专知会员服务
133+阅读 · 2022年11月18日
【干货书】Python中的数据结构和算法,928页pdf
专知会员服务
105+阅读 · 2022年9月25日
【2022新书】强化学习工业应用,408页pdf
专知会员服务
219+阅读 · 2022年2月3日
【干货书】Python机器学习,361页pdf
专知会员服务
252+阅读 · 2021年2月25日
【2022新书】强化学习工业应用
专知
14+阅读 · 2022年2月3日
17种深度强化学习算法用Pytorch实现
新智元
30+阅读 · 2019年9月16日
Python机器学习课程(代码与教程)
专知
34+阅读 · 2019年5月13日
国家自然科学基金
35+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
国家自然科学基金
42+阅读 · 2009年12月31日
国家自然科学基金
4+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年2月8日
Arxiv
19+阅读 · 2022年11月8日
AutoML: A Survey of the State-of-the-Art
Arxiv
67+阅读 · 2019年8月14日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
35+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
国家自然科学基金
42+阅读 · 2009年12月31日
国家自然科学基金
4+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员