揭秘深度强化学习

1星价 ¥58.4 (6.5折)

2星价￥58.4 定价￥89.8

作者：彭伟编著

出版社：中国水利水电出版社

本类榜单：计算机/网络

分类：计算机/网络 > 人工智能

暂无评论

图文详情

ISBN：9787517062387
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：360
出版时间：2018-05-01
条形码：9787517062387 ; 978-7-5170-6238-7

本书特色

深度强化学习（Deep Reinforcement Learning，DRL）是深度学习算法和强化学习算法的巧妙结合，它是一种新兴的通用人工智能算法技术，也是机器学习的前沿技术，DRL 算法潜力无限，AlphaGo 是目前该算法*成功的使用案例。DRL 算法以马尔科夫决策过程为基础，是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。深度强化学习算法主要包括基于动态规划（DP）的算法以及基于策略优化的算法，本书的目的就是要把这两种主要的算法（及设计技巧）讲解清楚，使算法研究人员能够熟练地掌握。《揭秘深度强化学习人工智能机器学习技术丛书》共10 章，首先以AlphaGo 在围棋大战的伟大事迹开始，引起对人工智能发展和现状的介绍，进而介绍深度强化学习的基本知识。然后分别介绍了强化学习（重点介绍蒙特卡洛算法和时序差分算法）和深度学习的基础知识、功能神经网络层、卷积神经网络（CNN）、循环神经网络（RNN），以及深度强化学习的理论基础和当前主流的算法框架。*后介绍了深度强化学习在不同领域的几个应用实例。引例、基础知识和实例相结合，方便读者理解和学习。《揭秘深度强化学习人工智能机器学习技术丛书》内容丰富，讲解全面、语言描述通俗易懂，是深度强化学习算法入门的*选择。本书适合计算机专业本科相关学生、人工智能领域的研究人员以及所有对机器学习和人工智能算法感兴趣的人员。

内容简介

《揭秘深度强化学习人工智能机器学习技术丛书》是一本详细介绍深度强化学习算法的入门类图书，涉及深度学习和强化学习的相关内容，是人工智能*前沿的研究方向。非常适合想在下一代技术领域立足的人工智能和机器学习算法从业者学习和参考。机器学习的一个分支是神经网络；神经网络模拟人的大脑，形成神经网络模型，它可以包括很多层次，一般来讲层次越深学习效果越好，很多层的神经网络就是深度学习。在传统的机器学习中，主要分为非监督学习（unsupervised learning）、监督学习（supervised leaning）和强化学习。强化学习是对决策的学习，简单来讲，强化学习就是用奖励机制，自己调节参数，让算法越来越聪明。深度强化学习，研究的是如何通过深度学习的方法来解决强化学习的问题。也就是深度学习和强化学习的结合。《揭秘深度强化学习人工智能机器学习技术丛书》一书囊括了强化学习基础知识、马尔科夫决策过程、无模型强化学习、模仿学习、深度学习基础知识、神经网络基本组成、反向传播算法、功能神经网络层、循环神经网络、卷积神经网络（CNN）的基础和结构、循环神经网络（RNN）、深度强化学习基础、蒙特卡洛搜索树、策略梯度算法、深度强化学习算法框架、深度Q学习、双Q学习、异步优越性策略子-评价算法、深度强化学习应用实例等。深度强化学习算法可应用于量化投资、游戏智能、机器人决策、自动驾驶、无人机等。

第1章深度强化学习概览 1.1 什么是深度强化学习？ 1.1.1 俯瞰强化学习 1.1.2 来一杯深度学习 1.1.3 Hello，深度强化学习 1.2 深度强化学习的学习策略 1.3 本书的内容概要参考文献第2章强化学习基础 2.1 真相--经典的隐马尔科夫模型（HMM） 2.1.1 HMM引例 2.1.2 模型理解与推导 2.1.3 隐马尔科夫应用举例 2.2 逢考必过—马尔科夫决策过程（MDP） 2.2.1 MDP生活化引例 2.2.2 MDP模型 2.2.3 MDP模型引例 2.2.4 模型理解 2.2.5 探索与利用 2.2.6 值函数和动作值函数 2.2.7 基于动态规划的强化问题求解 2.3 糟糕，考试不给题库—无模型强化学习 2.3.1 蒙特卡洛算法 2.3.2 时序差分算法 2.3.3 异步强化学习算法 2.4 学霸来了--强化学习之模仿学习 2.4.1 模仿学习（Imitation Learning） 2.4.2 逆强化学习本章总结参考第3章深度学习基础 3.1 深度学习简史 3.1.1 神经网络发展史 3.1.2 深度学习的分类 3.1.3 深度学习的应用 3.1.4 深度学习存在的问题 3.2 深度学习基础概念 3.2.1 深度学习总体感知 3.2.2 神经网络的基本组成 3.2.3 深度学习训练 3.2.4 梯度下降法 3.2.5 反向传播算法（BP） 3.3 数据预处理 3.3.1 主成分分析（PCA） 3.3.2 独立成分分析（ICA） 3.3.3 数据白化处理 3.4 深度学习硬件基础 3.4.1 深度学习硬件基础 3.4.2 GPU简介 3.4.3 CUDA编程本章总结参考第4章功能神经网络层 4.1 激活函数单元 4.2 池化层Pooling layer 4.3 参数开关Dropout 4.4 批量归一化层（Batch normalization layer） 4.5 全连接层 4.6 卷积神经网络 4.7 全卷积神经网络 4.8 循环（递归）神经网络（RNN） 4.9 深度学习的本章总结参考第5章卷积神经网络（CNN） 5.1 卷积神经网络 CNN 基础 5.1.1 卷积神经网络的历史 5.1.2 卷积神经网络的核心 5.2 卷积神经网络 CNN 结构 5.2.1 深度卷积神经网络CNN 5.2.2 深度卷积神经网络CNN可视化 5.3 经典卷积神经网络架构分析 5.3.1 一切的开始--LeNet 5.3.2 王者回归--AlexNet 5.3.3 起飞的时候--VGG 5.3.4 致敬经典GoogLeNet 5.3.5 没有*深只有更深--ResNet 5.4 对抗网络 5.4.1 对抗网络（GAN） 5.4.2 WGAN 5.5 RCNN 5.6 CNN的应用实例本章总结参考第6章循环神经网络（RNN） 6.1 RNN概览 6.2 长期依赖（Long-Term Dependencies）问题 6.3 LSTM 的变体本章总结参考第7章：如何写自己的CNN—C语言实现深度学习 7.1 如何写自己的CMake文件 7.2 如何写自己神经网络 7.2.1 激活函数 7.2.2 池化函数 7.2.3 全连接层 7.3 卷积神经网络 7.3.1 CNN网络的构建 7.3.2 CNN前向传播 7.3.3 CNN的反向传播 7.4 文件解析本章总结第8章深度强化学习 8.1 初识深度强化学习 8.1.1 深度强化学习概览 8.1.2 记忆回放（Memory-Replay）机制 8.1.3 蒙特卡罗搜索树 8.2 深度强化学习（DRL）中的值函数算法 8.2.1 DRL中值函数的作用 8.2.2 DRL中值函数理论推导 8.3 深度强化学习中的策略梯度（Policy Gradient） 8.3.1 策略梯度的作用和优势 8.3.2 策略梯度的理论推导 8.3.3 REINFORCE算法 8.3.4 策略梯度的优化算法 8.3.5 策略子－评判算法（Actor-Critic） 8.4 深度强化学习网络结构参考第9章深度强化学习算法框架 9.1 深度Q学习 9.2 双Q学习 9.3 异步深度强化学习 9.4 异步优越性策略子-评价算法 9.5 DDPG 算法： 9.6 值迭代网络本章总结参考第10章深度强化学习应用实例 10.1 Flappy Bird 应用 10.2 Play Pong 应用 10.3 深度地形-自适应应用（Deep Terrain-adaptive应用） 10.4 AlphaGo 254 10.4.1 独立算法的研究部分 10.4.2 AlphaGo算法本章总结参考附录：常用的深度学习框架 F.1. 谷歌TensorFlow F.1.1 TensorFlow 简介 F.1.2 TensorFlow 基础 F.2 轻量级MXNet F.2.1 MXnet介绍 F.2.2 MXnet基础 F.3 来至UCLA 的Caffe F.3.1 Caffe 简介 F3.2 Caffe基础 F.4 悠久的 Theano F.4.1 Theano简介 F.4.2 Theano基础 F.5 30s 入门的Keras 参考

展开全部