深度强化学习(原理算法与PyTorch实战微课视频版)/大数据与人工智能技术丛书

围绕着MDP模型，阐述 动态规划、蒙特卡罗、动态 规划等有穷表格式强化学习 方法。在深度强化学习框架 PyTorch下，阐述 DQN,DDDPG,A3C等算法。 本书以实例为导向，深度浅 出地讲解相关算法。全书采 用完整的数学体系，各章内 容循序渐进，严谨地讲授强 化学习的理论基础，主要定 理均给出证明过程。基于理 论讲解强化学习算法，覆盖 了所有主流强化学习算法， 包括资格迹等经典算法和深 度确定性梯度策略等深度强 化学习算法。适合本科以上 的人工智能相关专业学生及 工程人员。

\\\"刘全，苏州大学教授，博士生导师。 吉林大学博士, 南京大学软件新技术国家重点实验室博士后。苏州市人工智能学会常务理事、秘书长。2006年开始从事强化学习 领域的教学和科研工作。主讲研究生、本科生《强化学习》及相关课程16次。主持“深度强化学习方法研究”、“部分感知强化学习理论及方法”、“基于tableau的逻辑强化学习研究”等国家、省部级项目10余项。目前主要研究方向为：深度强化学习。 2012年获江苏省教工委优秀共产党员称号。2011年、2012年入选江苏省“六大人才”、江苏省“333”人才培养计划。\\\"

第一部分：预备知识及环境安装 第1章 深度强化学习概述 1.1 引言 1.2 深度学习 1.3 强化学习 1.4 深度强化学习 1.5 小结 1.6 习题 第2章 环境的配置 2.1 PyTorch简介 2.2 PvTorch和TensorFlow 2.3 强化学习的开发环境 2.3.1 Anaconda环境搭建 2.3.2 Anaconda环境管理 2.3.3 PyTorch的安装 2.3.4 Jupyter Notebook的安装 2.3.5 Jupyter Notebook的使用 2.3.6 Gym的安装 2.3.7 Gym案例 2.4 小结 2.5 习题 第二部分：表格式强化学习 第3章 数学建模 3.1 马尔可夫决策过程 3.2 基于模型与无模型 3.3 求解强化学习任务 3.3.1 策略 3.3.2 奖赏与回报 3.3.3 值函数与贝尔曼方程 3.3.4 最优策略与最优值函数 3.4 探索与利用 3.5 小结 3.6 习题 第4章 动态规划法 4.1 策略迭代 4.1.1 策略评估 4.1.2 策略迭代 4.2 值迭代 4.3 广义策略迭代 4.4 小结 4.5 习题 第5章 蒙特卡洛法 5.1 蒙特卡洛法的基本概念 5.1.1 MC的核心要素 5.1.2 MC的特点 5.2 蒙特卡洛预测 5.3 蒙特卡洛评估 5.4 蒙特卡洛控制 5.4.1 基于探索始点的蒙特卡洛控制 5.4.2 同策略蒙特卡洛控制