强化学习 pdf下载

●目录 章 导论？？ ？ ？ ？ 1 1.1 强化学习？？ ？ ？ ？ 1 1.2 示例？？ ？ ？ ？ 4 1.3 强化学习要素？？ ？ ？ ？ 5 1.4 局限性与适用范围？？ ？ ？ ？ 7 1.5 扩展实例：井字棋 ？ ？？？ ？ ？ ？？ 8 1.6 本章小结？？ ？ ？ ？ 12 1.7 强化学习的早期历史？？ ？ ？ ？ 13 第I部分 表格型求解方法？？ ？ ？ ？ 23 第2章 多臂？？ ？ ？ ？ 25 2.1 一个 k 臂问题？？ ？ ？ ？ 25 2.2 动作-价值方法？？ ？ ？ ？ ？ 27 2.3 10 臂测试平台？？ ？ ？ ？ 28 2.4 增量式实现？？ ？ ？ ？ 30 2.5 跟踪一个非平稳问题？？？ ？ ？ ？ 32 2.6 乐观初始值？？ ？ ？ ？ 34 2.7 基于置信度上界的动作选择 ？？？ ？ ？ ？ 35 2.8 梯度算法？？ ？ ？ ？ 37 2.9 关联搜索 (上下文相关的) ？？ ？ ？ ？ ？ 40 2.10 本章小结？？ ？ ？ ？ 41 第3章 有限马尔可夫决策过程？？ 45 3.1 “智能体-环境”交互接口 ？？ ？ ？ ？ 45 3.2 目标和收益 ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 51 3.3 回报和分幕？ ？ ？ ？ ？ ？ 52 3.4 分幕式和持续性任务的统一表示法 ？？ ？？ 54 3.5 策略和价值函数 ？？ ？ ？ ？ ？ 55 3.6 优策略和优价值函数 ？ ？？ ？ 60 3.7 优性和近似算法 ？ ？ ？ ？ ？？ ？ ？ ？ ？ ？ ？ ？ 65 3.8 本章小结？ ？ ？？ ？ 66 第4章 动态规划 ？ ？？ ？ 71 4.1 策略评估 (预测) ？ ？？ ？ ？ 72 4.2 策略改进？ ？？ ？ 75 4.3 策略迭代？ ？？ ？ 78 4.4 价值迭代？ ？？ ？ 80 4.5 异步动态规划 ？？ ？ 83 4.6 广义策略迭代 ？？ 84 4.7 动态规划的效率？ ？ ？ ？ 85 4.8 本章小结？？ ？ ？ 86 第5章 蒙特卡洛方法 ？？ ？ 89 5.1 蒙特卡洛预测 ？ ？ ？ 90 5.2 动作价值的蒙特卡洛估计 ？？ ？ ？ ？ ？ ？ ？ 94 5.3 蒙特卡洛控制 ？ ？？ ？ ？ ？ 95 5.4 没有试探性出发假设的蒙特卡洛控制 ？ ？？ ？ ？ ？ ？ ？ 98 5.5 基于重要度采样的离轨策略 ？ ？？ ？ ？ ？ ？ ？ 101 5.6 增量式实现 ？ ？？ 107 5.7 离轨策略蒙特卡洛控制 ？ ？？ ？ ？ ？？？ ？ ？ ？ ？ 108 5.8 ？ 折扣敏感的重要度采样？？ ？ ？ ？ ？ ？110 5.9 ？ 每次决策型重要度采样？？ ？ ？ ？ ？ 112 5.10 本章小结？？ ？ ？ ？ ？ 113 第 6 章 时序差分学习 ？ ？？ ？ ？ 117 6.1 时序差分预测 ？？ 117 6.2 时序差分预测方法的优势 ？ ？？ ？ ？ 122 6.3 TD(0) 的优性 ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 124 6.4 Sarsa：同轨策略下的时序差分控制 ？ ？ ？ ？？ ？ 127 6.5 Q 学习：离轨策略下的时序差分控制 ？ ？？ ？ ？ 129 6.6 期望 Sarsa ？ ？？ ？ 131 6.7 大化偏差与双学习？ ？ ？ ？？ ？ ？ ？ 133 6.8 游戏、后位状态和其他特殊例子？ ？？ ？ 135 6.9 本章小结？ ？？ ？ 136 第7章 n 步自举法 ？？ ？ ？ 139 7.1 n 步时序差分预测 ？？ ？ ？ ？ ？ ？ ？ ？ 140 7.2 n 步 Sarsa ？ ？？ ？ ？ 144 7.3 n 步离轨策略学习 ？ ？ ？ ？ ？ ？ ？ ？146 7.4 ？ 带控制变量的每次决策型方法？ ？？ ？ ？148 7.5 不需要使用重要度采样的离轨策略学习方法：n 步树回溯算法？ ？？ ？ ？150 7.6 ？ 一个统一的算法：n 步 Q(σ) ？ ？？ ？ ？153 7.7 本章小结？？ ？？ ？ ？155 第8章 基于表格型方法的规划和学习 ？？ ？ ？？ ？ 157 8.1 模型和规划 ？ ？？ ？ 157 8.2 Dyna：集成在一起的规划、动作和学习？？ ？ ？ ？ ？ 159 8.3 当模型错误的时候 ？？ ？？ ？ ？ ？ 1 8.4 优先遍历？ ？ ？？ ？ ？ 166 8.5 期望更新与采样更新的对比 ？？ ？ ？？ 170 8.6 轨迹采样？？ ？ ？ 173 8.7 实时动态规划 ？？ ？ 176 8.8 决策时规划 ？？ ？ 179 8.9 启发式搜索 ？ ？？ ？ ？ 180 8.10 预演算法？ ？ ？ ？ 182 8.11 蒙特卡洛树搜索？ ？ ？ ？ ？ ？ ？ ？ 184 8.12 本章小结 ？ ？？ ？ ？ 187 8.13 第I部分总结 ？？ ？ ？ ？ ？ ？ ？ 188 第II部分 表格型近似求解方法？ ？？ ？ ？ ？ ？ ？ ？ ？ 193 第9章 基于函数逼近的同轨策略预测 ？？ ？ ？ ？ ？ ？ ？ ？ 195 9.1 价值函数逼近 ？ ？ ？？ ？ 195 9.2 预测目标 (VE ) ？？ ？ ？ ？ ？ ？ ？ 196 9.3 随机梯度和半梯度方法 ？ ？？ ？ ？ 198 9.4 线性方法？ ？ ？ ？ ？ ？？ ？ ？ ？ 202 9.5 线性方法的特征构造？ ？？ ？ ？ ？ ？ ？ ？ ？ 207 9.5.1 多项式基 ？ ？？ ？ ？ ？ 208 9.5.2 傅立叶基 ？ ？ ？？ ？ ？ ？ 209 9.5.3 粗编码？ ？ ？ ？ ？ ？ ？？ ？ ？ 212 9.5.4 瓦片编码？ ？ ？？ ？214 9.5.5 径向基函数 ？？ ？ ？ ？ ？ ？ ？ ？ 218 9.6 手动选择步长参数 ？ ？ ？ ？？ ？ ？ ？ ？ 219 9.7 非线性函数逼近：人工神经网络？ ？ ？ ？？ ？ ？ 220 9.8 小二乘时序差分 ？ ？ ？ ？？ ？ ？ ？ 225 9.9 基于记忆的函数逼近？ ？ ？ ？ ？？ ？ 227 9.10 基于核函数的函数逼近 ？ ？ ？ ？？ ？ 229 9.11 深入了解同轨策略学习：“兴趣”与“强调” ？ ？ ？？ ？ ？ 230 9.12 本章小结 ？ ？ ？？ ？ ？ ？ 232 0章 基于函数逼近的同轨策略控制？ ？？ ？ ？ ？ ？ ？ 239 10.1 分幕式半梯度控制 ？ ？ ？？ 239 10.2 半梯度 n 步 Sarsa？ ？？ ？ ？ ？ ？ ？ ？ ？ 242 10.3 平均收益：持续性任务中的新的问题设定？ ？ ？？ ？ 245 10.4 弃用折扣 ？ ？ ？ ？？ ？ ？ ？ ？ 249 10.5 差分半梯度 n 步 Sarsa ？ ？ ？ ？？ 251 10.6 本章小结 ？ ？？ ？ ？ ？ ？ ？ 252 1 章 ？ 基于函数逼近的离轨策略方法？ ？ ？ ？？ 253 11.1 半梯度方法？ ？ ？ ？？ 254 11.2 离轨策略发散的例子？ ？ ？ ？？ 256 11.3 致命三要素？ ？ ？ ？？ 260 11.4 线性价值函数的几何性质 ？ ？ ？ ？ ？ ？ ？ ？？ ？ 262 11.5 对贝尔曼误差做梯度下降 ？ ？ ？ ？ ？ ？ ？？ ？ 266 11.6 贝尔曼误差是不可学习的 ？ ？ ？ ？ ？ ？ ？ ？ ？ 270 11.7 梯度 TD 方法 ？ ？ ？ ？？ ？ ？ ？ ？ ？ 274 11.8 强调 TD 方法 ？ ？？？ 278 11.9 减小方差 ？ ？ ？？ ？ ？ ？ ？ ？ ？ 279 11.10 本章小结 ？ ？ ？ ？ ？？ ？ ？ ？ ？ ？ 280 2章 资格迹 ？ ？ ？ ？ ？？ ？ ？ ？ 283 12.1 λ-回报？ ？ ？ ？ ？？ ？ ？ ？ ？ 284 12.2 TD(λ)？ ？ ？ ？？ ？ 287 12.3 n-步截断 λ- 回报方法 ？ ？ ？291 12.4 重做更新：在线 λ-回报算法？ ？ ？ ？ ？？ ？ 292 12.5 真实的在线 TD(λ) ？ ？ ？ ？ ？？ ？ 294 12.6 ？ 蒙特卡洛学习中的荷兰迹？ ？ ？ ？ ？？ ？ 296 12.7 Sarsa(λ)？？ ？ ？ ？ ？？ ？？ 298 12.8 变量 λ 和 γ ？ ？ ？ ？ ？？ ？ 303 12.9 带有控制变量的离轨策略资格迹 ？ ？？ ？ ？ ？ ？ ？ 304 12.10 从 Watkins 的 Q(λ) 到树回溯 TB(λ)？ ？ ？ ？ ？？ ？ ？ 308 12.11 采用资格迹保障离轨策略方法的稳定性 ？ ？ ？？ ？ 310 12.12 实现中的问题 ？ ？ ？ ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 312 12.13 本章小结 ？ ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 312 3章 策略梯度方法？ ？ ？？ ？ 317 13.1 策略近似及其优势 ？ ？ ？ ？ ？？？ ？ 318 13.2 策略梯度定理 ？？ ？？ 320 13.3 REINFORCE：蒙特卡洛策略梯度 ？ ？ ？ ？？ ？ ？ 322 13.4 带有基线的 REINFORCE ？ ？ ？？ ？ ？ ？ 325 13.5 “行动器-评判器”方法 ？ ？ ？ ？ ？？ ？ ？ 327 13.6 持续性问题的策略梯度 ？ ？ ？ ？？？ ？ ？ 329 13.7 针对连续动作的策略参数化方法 ？ ？ ？？？ ？ 332 13.8 本章小结 ？ ？ ？ ？ ？？ ？？ ？ ？ 333 第III部分 表格型深入研究 ？ ？ ？ ？？ ？？ ？ 337 4章 心理学 ？ ？？ ？ ？ ？ ？ ？ ？ ？ 339 14.1 预测与控制 ？ ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 340 14.2 经典条件反射 ？ ？ ？ ？？ ？ ？ ？ ？ ？ 341 14.2.1 阻塞与不错条件反射？ ？ ？ ？ ？？ ？ ？ 342 14.2.2 Rescorla-Wagner 模型？ ？ ？ ？ ？？ ？ 344 14.2.3 TD 模型 ？ ？ ？？ ？ 347 14.2.4 TD 模型模拟 ？ ？ ？ ？？ ？ ？ ？ ？ ？ 348 14.3 工具性条件反射？ ？？ ？ ？ ？ ？ 355 14.4 延迟强化 ？？ ？ ？ 359 14.5 认知图 ？ ？ ？ ？？ ？ 361 14.6 习惯行为与目标导向行为 ？ ？ ？？ ？ ？ ？ ？362 14.7 本章小结 ？ ？ ？？ ？ ？ ？ 366 5章 神经科学 ？ ？ ？？ ？ ？ 373 15.1 神经科学基础 ？ ？ ？ ？？ ？ ？ ？ 374 15.2 收益信号、强化信号、价值和预测误差 ？ ？？ ？ ？ 375 15.3 收益预测误差假说 ？ ？ ？ ？ ？ ？？ ？ ？ 377 15.4 多巴胺 ？ ？ ？？ ？ ？ ？ 379 15.5 收益预测误差假说的实验支持？ ？ ？ ？？ ？ ？ 382 15.6 TD 误差/多巴胺对应 ？ ？？ ？ ？ ？ ？ ？ 385 15.7 神经“行动器-评判器” ？ ？？ ？ ？ ？ ？ ？ 390 15.8 行动器与评判器学习规则 ？ ？ ？ ？？ ？ ？ 393 15.9 享乐主义神经元？ ？ ？ ？ ？ ？ ？？ ？ ？ 397 15.10 集体强化学习 ？ ？ ？？ ？ ？ ？ ？ 399 15.11 大脑中的基于模型的算法 ？ ？？ ？ ？ 402 15.12 成瘾？ ？？ ？ ？ ？ ？ ？ ？ 403 15.13 本章小结 ？？ ？ ？ ？ ？ 404 6 章 应用及案例分析 ？ ？？ ？ ？ ？ 413 16.1 TD-Gammon ？ ？ ？ ？？ ？ 413 16.2 Sael 的跳棋程序 ？ ？ ？ ？ ？ ？ ？？ 418 16.3 Watson 的每日双倍投注 ？ ？ ？ ？ ？ ？？ ？ ？ ？ ？ 421 16.4 优化内存控制 ？ ？ ？ ？？ ？ ？ ？ ？ 424 16.5 人类级别的视频游戏 ？ ？ ？ ？ ？ ？ ？？ ？ ？ ？ 428 16.6 主宰围棋游戏 ？ ？ ？ ？ ？？ ？ ？ ？ ？ 433 16.6.1 AlphaGo ？ ？ ？ ？？ ？ ？ ？ ？ 436 16.6.2 AlphaGo Zero ？ ？ ？ ？？ ？ ？ ？ ？439 16.7 个性化网络服务？ ？ ？？ ？ 442 16.8 热气流滑翔 ？ ？？ ？ ？ ？ ？ 446 7章 前沿技术 ？ ？ ？ ？ ？？ ？ ？ ？ ？ ？ ？ ？ ？ ？ 451 17.1 广义价值函数和辅助任务 ？ ？ ？？ ？ 451 17.2 基于选项理论的时序摘要 ？ ？ ？ ？ ？ ？ ？ ？ ？ ？？ ？ ？ 453 17.3 观测量和状态 ？ ？ ？ ？ ？？ ？ ？ ？ 456 17.4 设计收益信号 ？ ？？ ？ ？ ？ ？ ？ ？ ？ ？ 460 17.5 遗留问题 ？ ？？ ？ ？ 4 17.6 人工智能的未来？ ？ ？ ？ ？ ？ ？？ 467 参考文献 ？ ？？ ？ ？ ？？ 473