涵蓋強化學習基本算法實踐+深度強化學習算法的原理實現及案例。代碼豐富，可直接上手操作；配套豐富的直播課程資源！
郭憲，南開大學人工智能學院講師。2009年畢業于華中科技大學機械設計制造及自動化專業，同年保送到中國科學院沈陽自動化研究所進行碩博連讀，2016年1月獲得工學博士學位，并到南開大學從事博士后研究工作，2018年7月任教于南開大學至今。目前主要研究方向和興趣是仿生機器人智能運動控制、強化學習和機器人博弈。宋俊瀟，香港科技大學博士，目前就職于啟元世界，擔任研究科學家，專注于決策智能相關算法的研究與開發。博士期間在國際知名期刊和會議發表論文9篇。2015年，獲得阿里巴巴天池大數據黃金聯賽個人年度第1名（參賽隊伍總計15154支）。曾就職于網易游戲，擔任資深數據挖掘研究員，負責個性化推薦算法及基于深度強化學習的游戲AI技術的探索研究，三次獲得公司層面的技術進步獎。方勇純，南開大學人工智能學院院長、教授、博士生導師，國家杰出青年基金獲得者（2013年），教育部長江學者特聘教授（2017年）。1992~1994年在浙江大學混合班（尖子班）學習，獲混合班榮譽證書。1996年和1999年分獲浙江大學學士和碩士學位，2002年獲美國克萊姆森大學（Clemson University）電機工程博士學位。2002至2003年在康乃爾大學（Cornell University）從事博士后研究。2003年底至今，任教于南開大學。目前主要研究方向為機器人視覺控制、無人機、欠驅動吊車系統和微納米操作。
第0 篇 先導篇 1
1 一個極其簡單的強化學習實例 2
1.1 多臂賭博機 2
1.1.1 ? ? greedy策略 3
1.1.2 玻爾茲曼策略 . 6
1.1.3 UCB 策略 7
1.2 多臂賭博機代碼實現 7
2 馬爾可夫決策過程 13
2.1 從多臂賭博機到馬爾可夫決策過程 13
2.2 馬爾可夫決策過程代碼實現 23
第1 篇 基于值函數的方法 31
3 基于動態規劃的方法 32
3.1 策略迭代與值迭代 .32
3.1.1 策略迭代算法原理 33
3.1.2 值迭代算法原理 35
3.2 策略迭代和值迭代的代碼實現 36
3.2.1 鴛鴦環境的修改 36
3.2.2 策略迭代算法代碼實現 37
3.2.3 值迭代算法代碼實現 .41
4 基于蒙特卡洛的方法 45
4.1 蒙特卡洛算法原理 46
4.2 蒙特卡洛算法的代碼實現 49
4.2.1 環境類的修改和蒙特卡洛算法類的聲明 49
4.2.2 探索初始化蒙特卡洛算法實現 52
4.2.3 同策略蒙特卡洛算法實現 . 56
5 基于時間差分的方法 62
5.1 從動態規劃到時間差分強化學習 62
5.2 時間差分算法代碼實現 66
5.2.1 時間差分算法類的聲明 66
5.2.2 SARSA 算法 . 67
5.2.3 Q-Learning 算法 70
6 基于函數逼近的方法 74
6.1 從表格型強化學習到線性函數逼近強化學習 74
6.1.1 表格特征表示 74
6.1.2 固定稀疏表示 75
6.1.3 參數的訓練 76
6.2 基于線性函數逼近的Q-Learning 算法實現 76
6.3 非線性函數逼近DQN 算法代碼實現 85
第2 篇 直接策略搜索的方法 95
7 策略梯度方法 96
7.1 算法基本原理及代碼架構 96
7.1.1 策略的表示問題 97
7.1.2 隨機策略梯度的推導 98
7.1.3 折扣累積回報 99
7.1.4 代碼架構 101
7.2 離散動作：CartPole 實例解析及編程實戰 103
7.2.1 CartPole 簡介 103
7.2.2 問題分析及MDP 模型 .104
7.2.3 采樣類的Python 源碼實現 105
7.2.4 策略網絡模型分析 106
7.2.5 策略網絡類的Python 源碼實現 108
7.2.6 策略網絡的訓練與測試 110
7.2.7 用策略梯度法求解Cartpole 的主函數 112
7.2.8 CartPole 仿真環境開發 113
7.3 連續動作Pendulum 實例解析及編程實戰 117
7.3.1 Pendulum 簡介 118
7.3.2 采樣類的Python 源代碼實現 118
7.3.3 策略網絡模型分析 .120
7.3.4 策略網絡類的Python 源碼實現 121
7.3.5 策略網絡的訓練與測試 125
7.3.6 用策略梯度法求解Pendulum 的主函數 126
7.3.7 Pendulum 仿真環境開發 127
8 Actor-Critic 方法 131
8.1 Actor-Critic 原理及代碼架構 131
8.1.1 Actor-Critic 基本原理 131
8.1.2 Actor-Critic 算法架構 .133
8.2 TD-AC 算法 133
8.2.1 采樣類的Python 源碼 134
8.2.2 策略網絡的Python 源碼 135
8.2.3 策略訓練和測試 138
8.2.4 主函數及訓練效果 140
8.3 Minibatch-MC-AC 算法 141
8.3.1 Minibatch-MC-AC 算法框架 141
8.3.2 采樣類的Python 源碼 142
8.3.3 策略網絡的Python 源碼 144
8.3.4 策略的訓練和測試 147
8.3.5 主函數及訓練效果 149
9 PPO 方法 151
9.1 PPO 算法基本原理及代碼結構 151
9.2 Python 源碼解析 154
9.2.1 采樣類 154
9.2.2 策略網絡 156
9.2.3 策略的訓練和測試 159
9.2.4 主函數及訓練效果 160
10 DDPG 方法 163
10.1 DDPG 基本163
10.2 Python 源碼解析 167
10.2.1 經驗緩存器類 167
10.2.2 策略網絡 169
10.2.3 訓練和測試 173
10.2.4 主函數及訓練效果 175
第3 篇 基于模型的強化學習方法 177
11 基于模型預測控制的強化學習算法 178
11.1 基于模型的強化學習算法的基本原理 178
11.1.1 神經網絡擬合動力學模型 179
11.1.2 模型預測控制 179
11.1.3 基于模型的強化學習算法偽代碼 180
11.2 Python 源碼實現及解析 181
11.2.1 數據收集類 181
11.2.2 數據采樣類 181
11.2.3 動力學網絡類 182
11.2.4 模型預測控制器類 185
11.2.5 模型訓練和預測函數 186
11.2.6 主函數 188
12 AlphaZero 原理淺析 190
12.1 從AlphaGo 到AlphaZero 191
12.2 蒙特卡洛樹搜索算法 196
12.2.1 博弈樹和極小極大搜索 196
12.2.2 再論多臂老虎機問題 198
12.2.3 UCT 算法 200
12.3 基于自我對弈的強化學習 206
12.3.1 基于MCTS 的自我對弈 206
12.3.2 策略價值網絡的訓練 210
13 AlphaZero 實戰：從零學下五子棋 214
13.1 構建簡易的五子棋環境 215
13.2 建立整體算法流程 223
13.3 實現蒙特卡洛樹搜索 229
13.4 實現策略價值網絡 235
13.5 訓練實驗與效果評估 240
附錄A PyTorch 入門 246
A.1 PyTorch 基礎知識 246
A.1.1 Tensor 246
A.1.2 基礎操作 247
A.1.3 Tensor 和NumPy array 間的轉化 249
A.1.4 Autograd：自動梯度 249
A.2 PyTorch 中的神經網絡 250
A.2.1 如何定義神經網絡 251
A.2.2 如何訓練神經網絡 254
A.2.3 在CIFAR-10 數據集上進行訓練和測試 256
A.2.4 模型的保存和加載 259
參考文獻 261
后記 263
新書資訊