91国偷自产中文字幕久久,a大片免费久久精品

圍繞著MDP模型，闡述動態(tài)規(guī)劃、蒙特卡羅、動態(tài)規(guī)劃等有窮表格式強化學習方法。在深度強化學習框架PyTorch下，闡述DQN,DDDPG,A3C等算法。本書以實例為導向，深度淺出地講解相關(guān)算法。全書采用完整的數(shù)學體系，各章內(nèi)容循序漸進，嚴謹?shù)刂v授強化學習的理論基礎(chǔ)，主要定理均給出證明過程�；诶碚撝v解強化學習算法，覆蓋了所有主流強化學習算法，包括資格跡等經(jīng)典算法和深度確定性梯度策略等深度強化學習算法。適合本科以上的人工智能相關(guān)專業(yè)學生及工程人員。

近年來，強化學習和深度學習相結(jié)合形成的深度強化學習方法已經(jīng)是人工智能領(lǐng)域中新的研究熱點。在許多需要智能體（Agent）同時具備感知和決策能力的場景中，深度強化學習方法具備了與人類相媲美的智能。其中深度學習（Deep Learning，DL）和強化學習（Reinforcement Learning，RL）是機器學習領(lǐng)域中最重要的兩個研究方向。深度學習方法側(cè)重于對事物的感知與表達，其基本思想是面向高維數(shù)據(jù)，通過多層的網(wǎng)絡(luò)結(jié)構(gòu)和非線性變換，組合低層特征，形成抽象的、易于區(qū)分的高層表示，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學習已經(jīng)在圖像識別與理解、智能語音、機器翻譯等領(lǐng)域取得了非凡的成果。強化學習與基于監(jiān)督訓練的深度學習不同，更加側(cè)重于學習解決問題的策略，其基本思想是智能體通過試錯的機制與環(huán)境進行不斷地交互，從而最大化智能體從環(huán)境中獲得的累計獎賞值。強化學習已經(jīng)廣泛應(yīng)用于游戲博弈、機器人操控、參數(shù)優(yōu)化等領(lǐng)域。傳統(tǒng)的強化學習算法主要針對輸入狀態(tài)規(guī)模較小的決策問題，這種小規(guī)模強化學習算法可通過表格式的存儲方式來評價每個狀態(tài)或者狀態(tài)動作對的好壞。然而當狀態(tài)或動作空間維度很高時（例如圖片或視頻數(shù)據(jù)），傳統(tǒng)的強化學習方法會因缺乏感知和泛化高維輸入數(shù)據(jù)的能力而導致算法性能急劇下降。

隨著人類社會的飛速發(fā)展，未來的人工智能系統(tǒng)不僅需要具備很強的感知與表達能力，而且需要擁有一定的決策能力。因此，人們將具有感知能力的深度學習和具有決策能力的強化學習相結(jié)合，形成直接從輸入原始數(shù)據(jù)到輸出動作控制的完整智能系統(tǒng)，這就是深度強化學習（Deep Reinforcement Learning，DRL）方法。該方法從本質(zhì)上解決了傳統(tǒng)強化學習智能體缺乏感知和泛化高維度輸入數(shù)據(jù)能力的問題，從而適用于一系列大規(guī)模的決策任務(wù)。例如，谷歌旗下的DeepMind公司將深度學習中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和強化學習中Q學習算法（QLearning）相結(jié)合，提出深度Q網(wǎng)絡(luò)（Deep QNetwork，DQN）模型。該模型可直接將原始的游戲視頻畫面作為輸入狀態(tài)，游戲得分作為強化學習中的獎賞信號，并通過深度Q學習算法進行訓練。最終該模型在許多Atari 2600視頻游戲上的表現(xiàn)已經(jīng)趕上甚至超過了專業(yè)人類玩家的水平。該項研究工作是深度強化學習方法形成的重要標志。此后，DeepMind團隊又開發(fā)出一款被稱為AlphaGo的圍棋算法。該算法一方面利用深度學習通過有信號的監(jiān)督來模擬人類玩家的走子方式，另一方面利用強化學習來進行自我對抗，從而進一步提高智能體取勝的概率。最終AlphaGo以懸殊的比分先后擊敗當時的歐洲圍棋冠軍和世界圍棋冠軍。深度強化學習的基本思想可以描述為：利用深度學習的強大感知能力來提取大規(guī)模輸入數(shù)據(jù)的抽象特征，并以此特征為依據(jù)進行自我激勵的強化學習，直至求解出問題的最優(yōu)策略。AlphaGo事件正式將深度強化學習技術(shù)推向了一個高峰。隨著國內(nèi)外對于深度強化學習理論和應(yīng)用的不斷完善，目前深度強化學習技術(shù)已經(jīng)在游戲、機器人操控、自動駕駛、自然語言處理、參數(shù)優(yōu)化等領(lǐng)域得到了廣泛的應(yīng)用。此外，深度強化學習也被認為是實現(xiàn)通用人工智能（General Artificial Intelligence，GAI）的一個重要途徑。

本書深入淺出、內(nèi)容翔實全面，全書配有PPT和視頻講解，對相關(guān)算法和實例配有代碼程序。本書既適合強化學習零基礎(chǔ)的本科生、研究生入門學習，也適合相關(guān)科研人員研究參考。

本書作者多年來一直從事強化學習的研究和教學工作，在國家自然科學基金、博士后基金、教育部科學研究重點項目、軟件新技術(shù)與產(chǎn)業(yè)化協(xié)同創(chuàng)新中心、江蘇高校優(yōu)勢學科建設(shè)工程資助項目、江蘇省高校自然科學基金項目、蘇州大學研究生精品課程項目等的資助下，提出了一些深度強化學習理論，解決了一系列核心技術(shù)，并將這些理論和方法用于解決實際問題。

本書總體設(shè)計、修改和審定由劉全完成，參加撰寫的有黃志剛、翟建偉、吳光軍、徐平安、歐陽震、寇俊強、郝少璞、李曉牧、顧子賢、葉倩等，對以上作者付出的艱辛勞動表示感謝！本書的撰寫參考了國內(nèi)外有關(guān)研究成果，他們的豐碩成果和貢獻是本書學術(shù)思想的重要來源，在此對涉及的專家和學者表示誠摯的謝意。本書也得到了蘇州大學計算機學院及智能計算與認知軟件課題組部分老師和同學們的大力支持和協(xié)助，在此一并表示感謝。他們是：朱斐、凌興宏、伏玉琛、章宗長、章曉芳、徐云龍、陳冬火、王輝、金海東、王浩、曹家慶、張立華、徐進、梁斌、姜玉斌、閆巖、胡智慧、陳紅名、吳金金、李斌、何斌、時圣苗、張琳琳、范靜宇、傲天宇、李洋、張建行、代珊珊、申怡、王逸勉、徐亞鵬、栗軍偉、烏蘭、王卓、楊皓麟、施眉龍、張雄振等。

機器學習是一個快速發(fā)展、多學科交叉的研究方向，其理論及應(yīng)用均存在大量的亟待解決的問題。限于作者的水平，書中難免有不妥和錯誤之處，敬請同行專家和讀者指正。

劉全

2021年1月

你還可能感興趣

我要評論