強化學習, 2/e (Reinforcement Learning: An Introduction, 2/e)

編輯推薦

《強化學習（2版）》被業界公認為任何對人工智能領域感興趣的人員的書。

《強化學習（2版）》是被稱為“強化學習”的Richard Sutton在強化學習領域的開創性、奠基性著作。自1998年1版出版以來，一直是強化學習領域的經典導論性教材，培育了好幾代強化學習領域的研究人員。

在2版中，隨著強化學習來的蓬勃發展，作者補充了很多新的內容：人工神經網絡、蒙特卡洛樹搜索、平均收益大化……涵蓋了當今關鍵的核心算法和理論。不僅如此，作者還以真實世界的應用為例闡述了這些內容。

 

第1章 導論 1 

1.1 強化學習 1

1.2 示例 4 

1.3 強化學習要素 5 

1.4 局限性與適用範圍 7 

1.5 擴展實例：井字棋 8 

1.6 本章小結 12 

1.7 強化學習的早期歷史 13

 

第I部分 錶格型求解方法 23 

 

第2章 多臂賭博機 25

2.1 一個k 臂賭博機問題 25

2.2 動作-價值方法 27 

2.3 10 臂測試平台 28 

2.4 增量式實現 30 

2.5 跟踪一個非平穩問題 32 

2.6 樂觀初始值 34 

2.7 基於置信度上界的動作選擇 35 

2.8 梯度賭博機算法 37 

2.9 關聯搜索(上下文相關的賭博機) 40 

2.10 本章小結 41

 

第3章 有限馬爾可夫決策過程45

3.1 “智能體-環境”交互接口 45 

3.2 目標和收益 51 

3.3 回報和分幕 52 

3.4 分幕式和持續性任務的統一表示法 54 

3.5 策略和價值函數 55 

3.6 優策略和優價值函數 60 

3.7 優性和近似算法 65 

3.8 本章小結 66

 

第4章 動態規劃 71 

4.1 策略評估(預測) 72 

4.2 策略改進 75 

4.3 策略迭代 78 

4.4 價值迭代 80 

4.5 異步動態規劃 83 

4.6 廣義策略迭代 84 

4.7 動態規劃的效率 85 

4.8 本章小結 86

 

第5章 蒙特卡洛方法 89 

5.1 蒙特卡洛預測 90 

5.2 動作價值的蒙特卡洛估計 94 

5.3 蒙特卡洛控制 95 

5.4 沒有試探性出發假設的蒙特卡洛控制 98 

5.5 基於重要度採樣的離軌策略 101 

5.6 增量式實現 107 

5.7 離軌策略蒙特卡洛控制 108 

5.8 ? 折扣敏感的重要度採樣 110

5.9 ? 每次決策型重要度採樣 112

5.10 本章小結 113

 

第6章 時序差分學習 117 

6.1 時序差分預測 117 

6.2 時序差分預測方法的優勢 122 

6.3 TD(0) 的優性 124 

6.4 Sarsa：同軌策略下的時序差分控制 127 

6.5 Q 學習：離軌策略下的時序差分控制 129 

6.6 期望Sarsa 131 

6.7 大化偏差與雙學習 133 

6.8 遊戲、後位狀態和其他特殊例子 135 

6.9 本章小結 136

 

第7章 n 步自舉法 139 

7.1 n 步時序差分預測 140 

7.2 n 步Sarsa 144 

7.3 n 步離軌策略學習 146 

7.4 ? 帶控制變量的每次決策型方法 148 

7.5 不需要使用重要度採樣的離軌策略學習方法：n 步樹回溯算法 150 

7.6 ? 一個統一的算法：n 步Q(σ) 153 

7.7 本章小結 155

 

第8章 基於表格型方法的規劃和學習 157 

8.1 模型和規劃 157 

8.2 Dyna：集成在一起的規劃、動作和學習 159 

8.3 當模型錯誤的時候 164 

8.4 優先遍歷 166 

8.5 期望更新與採樣更新的對比 170 

8.6 軌跡採樣 173

8.7 實時動態規劃 176 

8.8 決策時規劃 179 

8.9 啟發式搜索 180 

8.10 預演算法 182 

8.11 蒙特卡洛樹搜索 184 

8.12 本章小結 187 

8.13 I部分總結 188

 

第II部分 錶格型近似求解方法 193

 

第9章 基於函數逼近的同軌策略預測 195

9.1 價值函數逼近 195 

9.2 預測目標(VE ) 196 

9.3 隨機梯度和半梯度方法 198 

9.4 線性方法 202 

9.5 線性方法的特徵構造 207

9.5.1 多項式基 208 

9.5.2 傅立葉基 209 

9.5.3 粗編碼 212 

9.5.4 瓦片編碼 214 

9.5.5 徑向基函數 218

9.6 手動選擇步長參數 219 

9.7 非線性函數逼近：人工神經網絡 220 

9.8 小二乘時序差分 225 

9.9 基於記憶的函數逼近 227 

9.10 基於核函數的函數逼近 229 

9.11 深入了解同軌策略學習：“興趣”與“強調” 230 

9.12 本章小結 232

 

第10章 基於函數逼近的同軌策略控制 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：持續性任務中的新的問題設定 245 

10.4 棄用折扣 249 

10.5 差分半梯度n 步Sarsa 251 

10.6 本章小結 252

 

第11章 基於函數逼近的離軌策略方法 253 

11.1 半梯度方法 254 

11.2 離軌策略發散的例子 256 

11.3 致命三要素 260 

11.4 線性價值函數的幾何性質 262

11.5 對貝爾曼誤差做梯度下降 266 

11.6 貝爾曼誤差是不可學習的 270 

11.7 梯度TD 方法 274 

11.8 強調TD 方法 278 

11.9 減小方差 279 

11.10 本章小結 280

 

第12章 資格跡 283 

12.1 λ-回報 284 

12.2 TD(λ) 287 

12.3 n-步截斷λ- 回報方法 291 

12.4 重做更新：在線λ-回報算法 292 

12.5 真實的在線TD(λ) 294 

12.6 ? 蒙特卡洛學習中的荷蘭跡 296 

12.7 Sarsa(λ) 298 

12.8 變量λ 和γ 303

12.9 帶有控制變量的離軌策略資格跡 304 

12.10 從Watkins 的Q(λ) 到樹回溯TB(λ) 308 

12.11 採用資格跡保障離軌策略方法的穩定性 310 

12.12 實現中的問題 312 

12.13 本章小結 312

 

第13章 策略梯度方法 317 

13.1 策略近似及其優勢 318 

13.2 策略梯度定理 320 

13.3 REINFORCE：蒙特卡洛策略梯度 322 

13.4 帶有基線的REINFORCE 325 

13.5 “行動器-評判器”方法 327 

13.6 持續性問題的策略梯度 329 

13.7 針對連續動作的策略參數化方法 332 

13.8 本章小結 333

 

第III部分 錶格型深入研究 337 

 

第14章 心理學 339

14.1 預測與控制 340 

14.2 經典條件反射 341

14.2.1 阻塞與高級條件反射 342 

14.2.2 Rescorla-Wagner 模型 344 

14.2.3 TD 模型 347 

14.2.4 TD 模型模擬 348

14.3 工具性條件反射 355 

14.4 延遲強化 359 

14.5 認知圖 361 

14.6 習慣行為與目標導向行為 362

14.7 本章小結 366 

 

第15章 神經科學 373 

15.1 神經科學基礎 374 

15.2 收益信號、強化信號、價值和預測誤差 375 

15.3 收益預測誤差假說 377 

15.4 多巴胺 379 

15.5 收益預測誤差假說的實驗支持 382 

15.6 TD 誤差/多巴胺對應 385 

15.7 神經“行動器-評判器” 390 

15.8 行動器與評判器學習規則 393 

15.9 享樂主義神經元 397 

15.10 集體強化學習 399 

15.11 大腦中的基於模型的算法 402 

15.12 成癮 403 

15.13 本章小結 404

 

第16章 應用及案例分析 413 

16.1 TD-Gammon 413 

16.2 Samuel 的跳棋程序 418 

16.3 Watson 的每日雙倍投注 421 

16.4 優化內存控制 424 

16.5 人類級別的視頻遊戲 428 

16.6 主宰圍棋遊戲 433

16.6.1 AlphaGo 436 

16.6.2 AlphaGo Zero 439

16.7 個性化網絡服務 442 

16.8 熱氣流滑翔 446

 

第17章 前沿技術 451 

17.1 廣義價值函數和輔助任務 451 

17.2 基於選項理論的時序摘要 453 

17.3 觀測量和狀態 456 

17.4 設計收益信號 460 

17.5 遺留問題 464 

17.6 人工智能的未來 467

 

參考文獻 473