☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

《揭秘深度強化學習 人工智能機器學習技術叢書》是一本詳細介紹深度強化學習算法的入門類圖書，涉及深度學習和強化學習的相關內容，是人工智能前沿的研究方嚮。非常適閤想在下一代技術領域立足的人工智能和機器學習算法從業者學習和參考。

機器學習的一個分支是神經網絡；神經網絡模擬人的大腦，形成神經網絡模型，它可以包括很多層次，一般來講層次越深學習效果越好，很多層的神經網絡就是深度學習。

在傳統的機器學習中，主要分為非監督學習（unsupervised learning）、監督學習（supervised leaning）和強化學習。強化學習是對決策的學習，簡單來講，強化學習就是用奬勵機製，自己調節參數，讓算法越來越聰明。

深度強化學習，研究的是如何通過深度學習的方法來解決強化學習的問題。也就是深度學習和強化學習的結閤。

《揭秘深度強化學習 人工智能機器學習技術叢書》一書囊括瞭強化學習基礎知識、馬爾科夫決策過程、無模型強化學習、模仿學習、深度學習基礎知識、神經網絡基本組成、反嚮傳播算法、功能神經網絡層、循環神經網絡、捲積神經網絡（CNN）的基礎和結構、循環神經網絡（RNN）、深度強化學習基礎、濛特卡洛搜索樹、策略梯度算法、深度強化學習算法框架、深度Q學習、雙Q學習、異步優越性策略子-評價算法、深度強化學習應用實例等。

深度強化學習算法可應用於量化投資、遊戲智能、機器人決策、自動駕駛、無人機等。

內容簡介

深度強化學習（Deep Reinforcement Learning，DRL）是深度學習算法和強化學習算法的巧妙結閤，它是一種新興的通用人工智能算法技術，也是機器學習的前沿技術，DRL 算法潛力無限，AlphaGo 是目前該算法相當成功的使用案例。DRL 算法以馬爾科夫決策過程為基礎，是在深度學習強大的非綫性函數的擬閤能力下構成的一種增強算法。深度強化學習算法主要包括基於動態規劃（DP）的算法以及基於策略優化的算法，本書的目的就是要把這兩種主要的算法（及設計技巧）講解清楚，使算法研究人員能夠熟練地掌握。

《揭秘深度強化學習人工智能機器學習技術叢書》共10 章，首先以AlphaGo 在圍棋大戰的偉大事跡開始，引起對人工智能發展和現狀的介紹，進而介紹深度強化學習的基本知識。然後分彆介紹瞭強化學習（重點介紹濛特卡洛算法和時序差分算法）和深度學習的基礎知識、功能神經網絡層、捲積神經網絡（CNN）、循環神經網絡（RNN），以及深度強化學習的理論基礎和當前主流的算法框架。最後介紹瞭深度強化學習在不同領域的幾個應用實例。引例、基礎知識和實例相結閤，方便讀者理解和學習。

《揭秘深度強化學習 人工智能機器學習技術叢書》內容豐富，講解全麵、語言描述通俗易懂，是深度強化學習算法入門的優選。本書適閤計算機專業本科相關學生、人工智能領域的研究人員以及所有對機器學習和人工智能算法感興趣的人員。

目錄

第1章 深度強化學習概覽

1.1 什麼是深度強化學習？

1.1.1 俯瞰強化學習

1.1.2 來一杯深度學習

1.1.3 Hello，深度強化學習

1.2 深度強化學習的學習策略

1.3 本書的內容概要

參考文獻

第2章 強化學習基礎

2.1 真相--經典的隱馬爾科夫模型（HMM）

2.1.1 HMM引例

2.1.2 模型理解與推導

2.1.3 隱馬爾科夫應用舉例

2.2 逢考必過—馬爾科夫決策過程（MDP）

2.2.1 MDP生活化引例

2.2.2 MDP模型

2.2.3 MDP模型引例

2.2.4 模型理解

2.2.5 探索與利用

2.2.6 值函數和動作值函數

2.2.7 基於動態規劃的強化問題求解

2.3 糟糕，考試不給題庫—無模型強化學習

2.3.1 濛特卡洛算法

2.3.2 時序差分算法

2.3.3 異步強化學習算法

2.4 學霸來瞭--強化學習之模仿學習

2.4.1 模仿學習（Imitation Learning）

2.4.2 逆強化學習

本章總結

參考

第3章 深度學習基礎

3.1 深度學習簡史

3.1.1 神經網絡發展史

3.1.2 深度學習的分類

3.1.3 深度學習的應用

3.1.4 深度學習存在的問題

3.2 深度學習基礎概念

3.2.1 深度學習總體感知

3.2.2 神經網絡的基本組成

3.2.3 深度學習訓練

3.2.4 梯度下降法

3.2.5 反嚮傳播算法（BP）

3.3 數據預處理

3.3.1 主成分分析（PCA）

3.3.2 獨立成分分析（ICA）

3.3.3 數據白化處理

3.4 深度學習硬件基礎

3.4.1 深度學習硬件基礎

3.4.2 GPU簡介

3.4.3 CUDA編程

本章總結

參考

第4章 功能神經網絡層

4.1 激活函數單元

4.2 池化層Pooling layer

4.3 參數開關Dropout

4.4 批量歸一化層（Batch normalization layer）

4.5 全連接層

4.6 捲積神經網絡

4.7 全捲積神經網絡

4.8 循環（遞歸）神經網絡（RNN）

4.9 深度學習的

本章總結

參考

第5章 捲積神經網絡（CNN）

5.1 捲積神經網絡 CNN 基礎

5.1.1 捲積神經網絡的曆史

5.1.2 捲積神經網絡的核心

5.2 捲積神經網絡 CNN 結構

5.2.1 深度捲積神經網絡CNN

5.2.2 深度捲積神經網絡CNN可視化

5.3 經典捲積神經網絡架構分析

5.3.1 一切的開始--LeNet

5.3.2 王者迴歸--AlexNet

5.3.3 起飛的時候--VGG

5.3.4 緻敬經典GoogLeNet

5.3.5 沒有最深隻有更深--ResNet

5.4 對抗網絡

5.4.1 對抗網絡（GAN）

5.4.2 WGAN

5.5 RCNN

5.6 CNN的應用實例

本章總結

參考

第6章 循環神經網絡（RNN）

6.1 RNN概覽

6.2 長期依賴（Long-Term Dependencies）問題

6.3 LSTM 的變體

本章總結

參考

第7章：如何寫自己的CNN—C語言實現深度學習

7.1 如何寫自己的CMake文件

7.2 如何寫自己神經網絡

7.2.1 激活函數

7.2.2 池化函數

7.2.3 全連接層

7.3 捲積神經網絡

7.3.1 CNN網絡的構建

7.3.2 CNN前嚮傳播

7.3.3 CNN的反嚮傳播

7.4 文件解析

本章總結

第8章 深度強化學習

8.1 初識深度強化學習

8.1.1 深度強化學習概覽

8.1.2 記憶迴放（Memory-Replay）機製

8.1.3 濛特卡羅搜索樹

8.2 深度強化學習（DRL）中的值函數算法

8.2.1 DRL中值函數的作用

8.2.2 DRL中值函數理論推導

8.3 深度強化學習中的策略梯度（Policy Gradient）

8.3.1 策略梯度的作用和優勢

8.3.2 策略梯度的理論推導

8.3.3 REINFORCE算法

8.3.4 策略梯度的優化算法

8.3.5 策略子－評判算法（Actor-Critic）

8.4 深度強化學習網絡結構

參考

第9章 深度強化學習算法框架

9.1 深度Q學習

9.2 雙Q學習

9.3 異步深度強化學習

9.4 異步優越性策略子-評價算法

9.5 DDPG 算法：

9.6 值迭代網絡

本章總結

參考

第10章 深度強化學習應用實例

10.1 Flappy Bird 應用

10.2 Play Pong 應用

10.3 深度地形-自適應應用（Deep Terrain-adaptive應用）

10.4 AlphaGo 254

10.4.1 獨立算法的研究部分

10.4.2 AlphaGo算法

本章總結

參考

附錄： 常用的深度學習框架

F.1. 榖歌TensorFlow

F.1.1 TensorFlow 簡介

F.1.2 TensorFlow 基礎

F.2 輕量級MXNet

F.2.1 MXnet介紹

F.2.2 MXnet基礎

F.3 來至UCLA 的Caffe

F.3.1 Caffe 簡介

F3.2 Caffe基礎

F.4 悠久的 Theano

F.4.1 Theano簡介

F.4.2 Theano基礎

F.5 30s 入門的Keras

參考

前言/序言

深度強化學習（Deep Reinforcement Learning，DRL）是一種新興的通用人工智能算法技術，是人工智能邁嚮智能決策的重要一步。

關於深度強化學習的文章目前比較少，係統介紹深度強化學習的教材幾乎沒有。本書係統地介紹深度強化學習算法的基礎知識。學習該算法的人員需要人工智能相關專業的背景，但是並不需要比較深的背景。本書以一種通俗易懂的、細緻的方式對深度強化學習算法進行瞭講解，力求幫助讀者較快入門。深度強化學習涉及的知識麵比較廣，但其算法原理並不是想象得那麼復雜。因此，本書會對其相關知識點進行簡要的介紹，保證沒有相關經驗的讀者也能夠很好地理解本書的內容。通過本書的學習，希望讀者能夠掌握兩大類彆的深度強化學習算法：基於動態規劃的算法以及基於策略梯度的算法。深度強化學習具有較廣泛的使用場景，例如遊戲決策、量化投資、動畫仿真等，希望本書能夠幫助讀者適應不同的使用場景。

本書特點

● 前沿的研究方嚮：本書介紹人工智能目前最前沿的研究方嚮，是通用智能的基礎。

● 完備的DRL 入門書籍：囊括經典，緊跟前沿，包括DRL 目前最新研究成果。

● 通俗易懂的講解：用通俗易懂的語言，結閤案例進行解析，適閤所有人工智能相關專業的初學者，能幫助他們快速入門。

● 專業的經驗：本書密切結閤實際應用，是人工智能前沿研究及實踐的經驗總結。

本書內容安排

第1 章　深度強化學習概覽

本章從當前人工智能飛速發展並引起廣泛關注的背景齣發，概述瞭深度強化學習的基本知識，強化學習和深度學習的發展曆史、基本概念和特點等，以及深度強化學習的兩種算法。

第2 章　強化學習基礎

傳統的強化學習是深度強化學習的基礎。本章從馬爾科夫模型齣發介紹瞭馬爾科夫決策過程，同時用比較通俗的語言介紹瞭強化學習中的兩種問題，有模型強化學習問題以及無模型強化學習問題。現實中無模型強化學習問題是一種非常普遍的情況，因此重點介紹瞭其中的濛特卡洛算法以及時序差分算法。

第3 章　深度學習基礎

強化學習引入深度學習之後，性能得到瞭極大的提高。本章重點介紹深度學習的基礎，主要從四個方麵來介紹：深度學習簡史、深度學習的基礎概念、數據預處理以及深度學習的硬件基礎。本章的學習對於強化學習甚至是機器學習都非常重要。

第4 章　功能神經網絡層

功能神經網絡層是深度學習的核心部分。本章將介紹深度學習過程中的激活函數、全連接層、參數開關Dropout 以及CNN 和RNN 等。本章最後也介紹瞭相關的網絡設計技巧。

第5 章　捲積神經網絡（CNN）

本章用大量的篇幅介紹捲積神經網絡，這是因為目前DRL 都是基於CNN 實現的，是希望讀者能夠迅速掌握其相關知識，不要因為其難點而影響算法的學習。本章主要介紹瞭CNN 的網絡結構、基於CNN 的經典模型，以及基於CNN 的流行應用。

第6 章　循環神經網絡（RNN）

循環神經網絡雖然不是深度強化學習的重點，但是也是深度學習的一個重要的網絡結構，不難預見，基於RNN 的強化學習算法也會不斷齣現。本章介紹瞭RNN 的基礎，同時介紹瞭RNN 的兩種常見的結構：LSTM 以及GRU。

第7 章　如何實現CNN—用C 語言實現深度學習

本章結閤代碼，通過CNN 的C 語言實現力求使讀者真正地認識神經網絡，主要內容涉及和CNN 相關的基礎結構，包括激活函數的實現、池化操作以及全連接網絡的實現。此外，本章重點對捲積網絡進行瞭講解，包括前嚮傳播和反嚮傳播的具體實現。

第8 章　深度強化學習

本章介紹瞭深度強化學習的理論基礎，是本書的理論重點，並結閤傳統的強化學習，介紹瞭記憶迴放（Memory-Replay）機製以及濛特卡洛搜索樹。此外，對主流的兩類深度強化學習算法及其結閤進行瞭詳細的理論推導。閱讀本章需要一定的數學理論基礎。

第9 章　深度強化學習算法框架

本章介紹瞭當前主流的深度強化學習算法框架，例如深度Q 學習算法、異步深度強化學習算法、異步優越性策略子- 評價算法等。

第10 章　深度強化學習應用實例

本章提供瞭一些深度強化學習的應用實例，希望通過具體的應用案例讓讀者瞭解深度強化學習算法。具體實例涉及計算機遊戲、3D 動畫仿真以及AlphaGo 技術解密。

本書由淺入深，先理論後操作，講解全麵易懂，尤其適閤剛剛入門人工智能領域的新手。

適閤閱讀本書的讀者

● 在校計算機專業本科生；

● 人工智能領域研究生；

● 人工智能領域研究員；

● 研究機器學習算法的相關人員；

● 人工智能領域愛好者。

本書源文件下載

本書提供代碼源文件，有需要的讀者可以通過掃描下麵的二維碼獲取下載鏈接。若有關於本書的疑問和建議也可以在公眾號留言，我們將竭誠為您服務。

編者

揭秘深度強化學習 人工智能機器學習技術叢書 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

快遞小哥服務態度很好，相信京東的品質，包裝完好。內容還沒開始看，準備開始學習。

評分☆☆☆☆☆

將來可能當碼農，所以買來看看基礎的python

評分☆☆☆☆☆

趁6.18買的，大力打摺，實惠。機器學習中經典之作，推薦大傢買。

評分☆☆☆☆☆

此用戶未及時填寫評價內容，係統默認好評！

評分☆☆☆☆☆

包裝很好，大牛的書，上學的時候都沒看，現在都工作瞭買迴來看看。

評分☆☆☆☆☆

簡單易用的一本編程入門書，教程內容深淺並重。目錄框架明朗有序。版本選瞭3.4的。後期應用也跟上瞭，不過略淺。

評分☆☆☆☆☆

好書不必多說，大贊。讀書使人明智

評分☆☆☆☆☆

好書，不過應該在618買，沒趕上活動，不過是已經看瞭幾章瞭，瞭解一下比較火熱的機器學習算法，這本書不錯！

評分☆☆☆☆☆

本書非常好，正版書，很不錯

類似圖書 點擊查看全場最低價