強化學習是機器學習的重要分支之一。《用Python動手學強化學習》結(jié)合實際可運行的Python代碼，通過簡明的文字、豐富的插圖和示例，通俗易懂地介紹了從基礎(chǔ)概念到前沿應用等方方面面的內(nèi)容，包括根據(jù)環(huán)境和經(jīng)驗制訂計劃的學習方法、強化學習與神經(jīng)網(wǎng)絡的組合，以及強化學習的弱點和克服方法。讀者通過下載書中代碼并親自動手運行，可以快速入門強化學習并進行實踐。
1.從基礎(chǔ)到應用，一本書快速入門強化學習
2.基于Python實現(xiàn)強化學習，直觀理解運作過程
3.內(nèi)容豐富，涵蓋強化學習基本概念、算法詳解、前沿應用、弱點及對策
4.132張圖表與大量示例，全彩印刷圖文并茂提供良好閱讀體驗
5.附免費下載源代碼為讀者提供親身實踐機會
[日]久保隆宏（作者）
任職于日本大型系統(tǒng)集成商TIS，具有豐富的機器學習研究和開發(fā)經(jīng)驗。論文共享網(wǎng)站站arXivTimes運營者，積極致力于技術(shù)普及，著有《TensorFlow應用指南》（合著）。
梁垿（譯者）
碩士畢業(yè)于日本早稻田大學，研究方向為機器學習。目前在日本大型系統(tǒng)集成商TIS任自然語言處理工程師。熱愛長跑與讀書，喜歡科幻、蒸汽朋克、克蘇魯?shù)阮}材的作品。
程引（譯者）
工學博士學位，畢業(yè)于上海交通大學。目前在日本BizReach公司（Visional Group）AI部門任算法工程師。業(yè)務方向為推薦系統(tǒng)與自然語言處理，研究興趣包括強化學習與自動控制。
第 1章 了解強化學習 1
1.1 強化學習與各關(guān)鍵詞之間的關(guān)系 1
1.2 強化學習的優(yōu)點和弱點 8
1.3 強化學習的問題設定：馬爾可夫決策過程 9
第 2章 強化學習的解法(1)：根據(jù)環(huán)境制訂計劃 21
2.1 價值的定義和計算：貝爾曼方程 22
2.2 基于動態(tài)規(guī)劃法的價值近似的學習：價值迭代 28
2.3 基于動態(tài)規(guī)劃法的策略的學習：策略迭代 32
2.4 基于模型的方法和無模型的方法的區(qū)別 36
第3章 強化學習的解法(2)：根據(jù)經(jīng)驗制訂計劃 39
3.1 平衡經(jīng)驗的積累與利用：Epsilon-Greedy 算法 41
3.2 是根據(jù)實際獎勵還是預測來修正計劃：蒙特卡洛方法和時序差分學習 46
3.3 用經(jīng)驗來更新價值近似還是策略：基于價值和基于策略 62
第4章 使用面向強化學習的神經(jīng)網(wǎng)絡 73
4.1 將神經(jīng)網(wǎng)絡應用于強化學習 74
4.2 通過含有參數(shù)的函數(shù)實現(xiàn)價值近似：價值函數(shù)近似 100
4.3 將深度學習應用于價值近似：DQN 109
4.4 通過含有參數(shù)的函數(shù)實現(xiàn)策略：策略梯度 121
4.5 將深度學習應用于策略：A2C 133
4.6 是價值近似還是策略呢 153
第5章 強化學習的弱點 157
5.1 獲取樣本的效率低 157
5.2 容易陷入局部最優(yōu)行動和過擬合160
5.3 復現(xiàn)性差 163
5.4 以弱點為前提的對策 164
第6章 克服強化學習弱點的方法 169
6.1 應對采樣效率低的方法：與基于模型的方法一起使用、表征學習 170
6.2 改善復現(xiàn)性的方法：進化策略 198
6.3 應對局部最優(yōu)行動和過擬合的方法：模仿學習和逆強化學習 206
第7章 強化學習的應用領(lǐng)域 237
7.1 行動的最優(yōu)化 239
7.2 學習的最優(yōu)化 248
參考文獻 252
書單推薦
