幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深入淺出強化學習演算法與實戰

  • 作者：編者:朱萬林|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122509543
  • 出版日期：2026/09/01
  • 裝幀：平裝
  • 頁數：319
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書循序漸進、深入系統地講解了強化學習的核心原理、主流演算法與工程實踐，內容豐富、層次清晰、通俗易懂。全書共12章，涵蓋從基礎知識、經典演算法，到深度強化學習、策略優化方法，再到離線強化學習、模型強化學習、多任務與多智能體系統等前沿內容。書中不僅詳細介紹了Q-learning、DQN、PPO、TRPO、GRPO等演算法的原理與推導，還配套了多個完整實戰案例，如Atari遊戲、CartPole平衡控制、迷宮導航系統、機械臂抓取、多智能體博弈等，幫助讀者快速掌握從演算法理解到項目落地的全流程技能。本書語言簡潔直觀，圖文結合，配有大量實戰項目和訓練結果分析，同時覆蓋了市面上同類圖書較少涉及的內容，如強化學習在大模型中的新應用（GRPO）、元強化學習的系統構建，以及工業級多智能體訓練框架，極具實用性與前瞻性，是學習強化學習開發技術與實戰應用的理想工具。
    本書適合具有Python基礎、了解機器學習或深度學習初步知識的讀者閱讀，尤其適合人工智慧開發者、AI工程師、機器人研究人員、自動化系統設計者，也可作為高校人工智慧相關專業的教材或教學參考書，以及企業培訓課程的技術參考資料。
作者介紹
編者:朱萬林|責編:耍利娜
目錄
第1章  強化學習基礎與核心概念
  1.1  強化學習基礎知識
    1.1.1  強化學習的誕生背景
    1.1.2  強化學習的核心思想與要素
    1.1.3  強化學習與其他機器學習方法的區別
    1.1.4  強化學習的挑戰
  1.2  強化學習的應用領域概覽
    1.2.1  機器人控制與路徑規劃
    1.2.2  遊戲與虛擬環境
    1.2.3  金融與投資決策
    1.2.4  自動駕駛與智能交通
    1.2.5  自然語言處理中的應用
  1.3  強化學習的理論基礎：馬爾可夫決策過程
    1.3.1  MDP的概念和定義
    1.3.2  策略、值函數(V, Q)和貝爾曼方程
  1.4  OpenAI Gym環境初探
    1.4.1  OpenAI Gym簡介
    1.4.2  MountainCar環境
    1.4.3  CartPole環境
第2章  強化學習的經典求解方法
  2.1  動態規劃：策略迭代與值迭代
    2.1.1  策略迭代
    2.1.2  值迭代
  2.2  蒙特卡洛方法：從經驗中學習
    2.2.1  蒙特卡洛預測
    2.2.2  蒙特卡洛控制
    2.2.3  探索策略
  2.3  時序差分學習
    2.3.1  TD(0)預測和SARSA
    2.3.2  Q-learning：離策略學習的代表
    2.3.3  綜合實戰：使用Q-learning解決網格世界問題
第3章  深度Q網路：從遊戲突破到通用值函數逼近
  3.1  Q-learning的局限與深度化的必要性
    3.1.1  數據相關性問題：Q-learning面臨的挑戰
    3.1.2  目標值的不穩定性：傳統方法的缺陷
    3.1.3  高維狀態空間的困難：對深度化的需求
  3.2  DQN的核心思想與突破
    3.2.1  經驗回放：打破數據相關性
    3.2.2  目標網路：穩定學習目標
  3.3  DQN演算法流程與實現細節
    3.3.1  DQN的神經網路結構
    3.3.2  訓練循環：從環境交互到參數更新
    3.3.3  目標網路的更新過程：權重同步時機與方法
    3.3.4  超參數的選擇與調整：學習率、折扣因子等的影響
  3.4  綜合實戰：用DQN玩轉Atari遊戲
    3.4.1  Atari遊戲環境介紹
    3.4.2  具體實現
第4章  DQN演算法的演進
  4.1  Double DQN
    4.1.1  DQN演算法的問題剖析

    4.1.2  Double DQN的核心思想
    4.1.3  Double DQN的演算法流程與實現要點
    4.1.4  綜合實戰：使用Double DQN實現超級馬里奧遊戲
  4.2  Dueling DQN
    4.2.1  Dueling DQN的動機
    4.2.2  Dueling DQN網路架構設計
    4.2.3  綜合實戰：使用Dueling DQN實現二維網格世界導航任務
  4.3  優先順序經驗回放
    4.3.1  優先順序經驗回放的動機
    4.3.2  優先順序定義與採樣策略
    4.3.3  重要性採樣校正
    4.3.4  綜合實戰：比較DQN中普通經驗回放和PER在CartPole問題中的表現
第5章  策略梯度方法：直接優化策略
  5.1  策略梯度定理：理論基礎
    5.1.1  策略梯度的定義與意義
    5.1.2  與值函數方法的對比分析
    5.1.3  策略梯度定理的適用場景與局限性
  5.2  REINFORCE：蒙特卡洛策略梯度演算法
    5.2.1  演算法原理與實現
    5.2.2  基線的引入與作用
  5.3  綜合實戰：CartPole平衡控制與LunarLander軟著陸
    5.3.1  背景介紹
    5.3.2  實驗環境與任務建模
    5.3.3  具體實現
    5.3.4  運行結果與分析
第6章  Actor-Critic演算法：融合價值與策略
  6.1  Actor-Critic原理
    6.1.1  策略梯度與值函數結合的動機
    6.1.2  Actor與Critic的角色分工
    6.1.3  策略評估與策略改進的閉環
    6.1.4  經典AC演算法流程
    6.1.5  綜合實戰：使用經典AC演算法解決CartPole-v1平衡問題
  6.2  A2C演算法
    6.2.1  優勢函數的數學原理
    6.2.2  蒙特卡洛與TD誤差的優勢函數估計
    6.2.3  GAE技術
    6.2.4  綜合實戰：A2C演算法實現與優勢估計方法比較
  6.3  A3C演算法
    6.3.1  並行化架構設計
    6.3.2  非同步梯度更新與鎖機制
    6.3.3  探索策略：熵正則化在A3C中的應用
    6.3.4  綜合實戰：A2C和A3C的性能對比
  6.4  SAC演算法
    6.4.1  熵正則化與探索激勵
    6.4.2  SAC演算法核心設計
    6.4.3  綜合實戰：基於SAC演算法的機械臂抓取任務
第7章  TRPO演算法核心知識與應用實踐
  7.1  TRPO基礎知識
    7.1.1  TRPO演算法的誕生背景
    7.1.2  TRPO演算法的意義

  7.2  TRPO演算法的核心原理
    7.2.1  信任域概念的引入
    7.2.2  構建目標函數與約束條件
    7.2.3  綜合實戰：使用TRPO解決CartPole平衡問題
  7.3  綜合實戰：基於低秩矩陣的TRPO優化
    7.3.1  優化策略：NN-TRPO和TRLRPO
    7.3.2  項目介紹
    7.3.3  經驗數據管理和狀態空間離散化
    7.3.4  定義環境
    7.3.5  創建強化學習模型
    7.3.6  創建代理
    7.3.7  評估TRPO在CustomAcrobotEnv環境中的性能
    7.3.8  評估TRPO在Mountain-CarContinuous-v0環境中的性能
    7.3.9  評估TRPO在Custom-PendulumEnv環境中的性能
    7.3.10  性能可視化
第8章  OpenAI的PPO和DeepSeek的GRPO
  8.1  PPO演算法的核心知識和應用
    8.1.1  PPO的推出背景
    8.1.2  PPO演算法的基本思想
    8.1.3  綜合實戰：使用PPO演算法解決CartPole平衡問題
  8.2  GRPO演算法的核心知識和應用
    8.2.1  GRPO的誕生背景
    8.2.2  GRPO演算法的基本原理
    8.2.3  GRPO演算法的數學推導
    8.2.4  GRPO在DeepSeek-R1模型中的作用和表現
    8.2.5  庫TRL
    8.2.6  綜合實戰：使用GRPO演算法訓練數學問題解答模型
第9章  離線強化學習：從歷史數據中學習策略
  9.1  離線RL的核心挑戰
    9.1.1  分佈偏移
    9.1.2  外推誤差
    9.1.3  數據質量依賴性
  9.2  約束策略優化
    9.2.1  常用的約束策略優化方法介紹
    9.2.2  綜合實戰：比較三種約束策略優化方法的性能
  9.3  基於不確定性的方法
    9.3.1  常用的基於不確定性的方法介紹
    9.3.2  綜合實戰：比較三種基於不確定性的方法的性能
  9.4  模仿正則化
    9.4.1  常用的模仿正則化方法介紹
    9.4.2  綜合實戰：評估AWAC、IQL和ORL方法的性能
第10章  前沿技術：基於模型的強化學習
  10.1  基於模型和無模型的強化學習介紹
    10.1.1  核心區別
    10.1.2  基於模型的強化學習方法的優勢
    10.1.3  無模型的強化學習方法的優勢
    10.1.4  基於模型和無模型的強化學習方法的結合策略
    10.1.5  綜合實戰：迷宮環境中的障礙物檢測與獎勵分配
  10.2  學習環境動力學模型
    10.2.1  模型表示形式：確定性模型與隨機模型

    10.2.2  模型學習的損失函數
    10.2.3  常用模型學習技術
    10.2.4  處理部分可觀測性
    10.2.5  綜合實戰：基於模型的CartPole動力學學習與規劃
  10.3  利用模型進行規劃
    10.3.1  規劃的基本概念：開環規劃與閉環規劃
    10.3.2  經典規劃方法
    10.3.3  採樣式規劃方法：蒙特卡洛樹搜索
    10.3.4  採樣式規劃方法：模型預測控制
    10.3.5  軌跡採樣與策略改進
    10.3.6  綜合實戰：用採樣規劃方法解決一個網格世界問題
  10.4  集成規劃與學習：前沿技術介紹
    10.4.1  學習規劃器：端到端訓練
    10.4.2  MuZero：統一學習、規劃與表示的典範
    10.4.3  其他前沿方法簡述
第11章  多任務與元強化學習
  11.1  多任務學習：共享知識解決多個任務
  11.2  元強化學習：快速適應新任務
  11.3  綜合實戰：基於元強化學習的迷宮導航系統
第12章  多智能體強化學習實戰：火星殖民地遊戲
  12.1  項目背景介紹
  12.2  功能介紹
  12.3  運行環境
  12.4  智能體核心邏輯

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032