登入
｜
註冊
｜
會員中心
｜
結帳
｜
培訓課程
魔法弟子
｜
自資出版
｜
電子書
｜
客服中心
｜
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
iPhone 4S JB解禁秘術：Cydia 超限軟體300+
此作者無相關書籍
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
深度強化式學習
作者：
Alexander Zai、Brandon Brown
譯者：
黃駿
分類：
電腦與網路
／
綜論
出版社：
旗標
出版日期：2021/4/8
ISBN：9789863126522
書籍編號：kk0529463
頁數：504
定價：
1000
元
優惠價：
95
折
950
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0529463'>深度強化式學習</a>
圖片連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0529463'><img src='https://www.silkbook.com/mall_image/bk/kk0529463.jpg' ALT='深度強化式學習' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
深度強化式學習 內容簡介 深度強化式學習 (Deep Reinforcement Learning, DRL)，就是將深度學習與強化式學習結合的技術。要讓 AI 應用落地，DRL 是必不可缺的技術。近期由兩位劍橋大學博士所帶領的 Wayve 團隊就利用了 DRL 技術，開發出可以自行從新環境中學習的自動駕駛技術，取代以往完全仰賴感測器的做法。除此之外，工廠內的自動化機器人, 或是打敗世界棋王的 AlphaGo 等，背後運作的演算法也都與 DRL 息息相關。 然而 DRL 的演算法五花八門，讓人看了眼花繚亂。事實上，它們都是為了應付各式各樣的任務而發展出來的改良版本，其核心概念的差異不大，都是立足於 DRL 最基本的 DQN (Deep Q-Network) 之上。因此本書會花費較多的篇幅，一步步帶您把 DQN 的架構完全摸透，並時時提點各個技術細節的重點，讓您可以因應不同的任務或問題，加入適當的技術或技巧來克服，再進一步實作出各種進階的演算法。 本書一共分成兩篇：基礎篇及進階篇。在基礎篇中，讀者將學習如何從無到有，建構出自己的第一個RL演算法，並用該演算法來解決多臂拉霸機問題。接著，讀者會認識RL中較為經典的演算法，如DQN、策略梯度法、A2C等。同時，各章節皆搭配數個專案，確保讀者可以在學習理論的過程中，培養實作出演算法的能力，不再只是紙上談兵。 在進階篇中，作者將會介紹較為新穎，也較為複雜的RL演算法。基本上，這些演算法都是以DQN為出發點，再加上特殊的技巧，便能處理現實中的難題。舉個例子，利用平均場DQN，學者們成功模擬出了電子的自旋狀況，進而解決了RL中的多代理人問題。同時，讀者們還將學到如何將attention機制與DQN做結合，進而實作出關聯性DQN（relational DQN），提高演算法的可解釋性。 本書提供了完整的學習架構，循序漸進地介紹各種演算法，包括： •Deep Q-Network (DQN) •策略梯度法（Policy gradient methods） •優勢值演員-評論家（Advantage Actor-Critic, A2C） •分散式優勢值演員-評論家（Distributional Advantage Actor-Critic, DA2C） •進化演算法（Evolutionary algorithm） •分散式DQN（Distributional DQN） •鄰近Q-Learning（Neighborhood Q-Learning） •平均場Q-Learning（Mean field Q-Learning） •關聯性DQN（Relational DQN） 除了 RL 相關演算法之外，書中也介紹了近期應用 RL 而發展出來的熱門模型，相信可以提升讀者的硬實力，其中包括： •圖神經網路（Graph Neural Network, GNN） •Transformer模型 •Attention模型（Attention model） 總的來說，本書是最全面、最白話的強化式學習演算法實戰解析。只要您有基本的深度學習知識，並且想要認識強化式學習領域，那麼您就是本書在尋找的合適讀者！ 本書特色 •囊括各種強化式學習的基礎及進階演算法，學習架構完整 •適當地補充數學及統計基礎，必要知識直接回顧，不用東翻西找其他資源 •重點整理深度強化式學習的基本架構，打好基礎、再先進的改良模型也看得懂 •以日常案例來實踐 DRL，理解起來事半功倍 •利用Python+PyTorch實作各章專案，不會只是紙上談兵 •所有程式皆已整理成Colab筆記本，一鍵即可檢驗結果 •本書由施威銘研究室監修，內容易讀易懂，並加入大量「編註」與「小編補充」以幫助理解及補充必要知識。
作者簡介 Alexander Zai Alex Zai 曾任 Codesmith 的首席技術長（Codesmith 為沉浸式 coding bootcamp，Alex 至今仍在其中擔任技術顧問）、Uber 的程式設計師、以及 Banjo 和 Amazon 的機器學習工程師。他同時也是開源深度學習架構Apache MXNet 的貢獻者之一。Alex Zai 還是一名創立了兩間公司的企業家，其中一間為 Y-combinator 的子公司。 Brandon Brown Brandon Brown 自幼學習程式設計、並在大學時期兼職當軟體工程師，但最後他選擇進入了醫學行業。目前，他仍在醫療科技領域從事軟體工程工作。Brandon 目前是一名醫生，並從事與計算精神醫學（computational psychiatry，該領域即是受 DRL 啟發）有關的研究。
目錄 第一篇：基礎篇 第1章：強化式學習的基本觀念 1.1 深度強化式學習中的『深度』 12 強化式學習 1.3 動態規劃 vs. 蒙地卡羅法 1.4 強化式學習架構 1.5 強化式學習有什麼應用？ 1.6 為什麼要使用『深度』強化式學習？ 1.7 有用的說明工具 – 線圖（string diagram） 1.8 未來各章的內容安排 第2章：模型化強化式學習問題：馬可夫決策過程 2.1 多臂拉霸機問題 2.2 利用拉霸機問題的演算法來優化廣告推送策略 2.3 使用PyTorch建構神經網路 2.4 解決廣告推送問題 2.5 馬可夫性質與MDP（馬可夫決策過程） 2.6 策略與價值函數 第3章：Deep Q-Network 3.1 狀態價值函數及動作價值函數 3.2 利用Q-Learning進行探索 3.3 避免災難性失憶的發生：經驗回放 3.4 使用目標網路來提升學習穩定性 3.5 回顧 第4章：利用『策略梯度法』選擇最佳策略 4.1 利用神經網路實現策略函數的功能 4.2 策略梯度演算法：強化高價值動作 4.3 使用OpenAI Gym 4.4 REINFORCE演算法 第5章：演員-評論家模型與分散式訓練 5.1 結合『價值函數』與『策略函數』 5.2 分散式訓練 5.3 分散式優勢演員-評論家模型 5.4 N步演員-評論家 第二篇：進階篇 第6章：進化演算法 6.1 梯度下降演算法的缺點 6.2 利用進化策略實現強化式學習 6.3 用基因演算法來玩Cartpole 6.4 進化演算法的好處與壞處 6.5 進化演算法是可『調整規模』的 第7章：分散式DQN 7.1 期望值Q-Learning的不足 7.2 機率與統計學 7.3 Bellman方程式 7.4 分散式Q-Learning 7.5 比較機率分佈 7.6 利用Dist-DQN處理模擬資料 7.7 進行Freeway遊戲 第8章：培養代理人的好奇心 8.1 預測編碼器模型 8.2 反向動態預測 8.3 設定瑪利歐遊戲 8.4 處理原始的遊戲狀態資料 8.5 建立Q網路與策略函數 8.6 內在好奇心模組(ICM) 8.7 另一種內在回饋值機制 第9章：多代理人的環境 9.1 多個代理人之間的互動 9.2 鄰近Q-Learning 9.3 1D Ising模型 9.4 平均場Q-Learning 9.5 包含『競爭』與『合作』關係的遊戲 第10章：具解釋性的模型：attention與關聯性模型 10.1 圖神經網路 10.2 以attention為基礎的關聯性推理 10.3 利用self-attention處理MNIST資料集 10.4 多端口的attention和關聯性DQN 10.5 雙重Q-Learning 10.6 訓練與視覺化結果 第11章：回顧與學習規劃 11.1 回顧學習歷程 11.2 有待探索的深度強化式學習問題 11.3 結語 第A章：數學、深度學習及PyTorch之額外知識補充 A.1 線性代數 A.2 微積分 A.3 深度學習 A.4 PyTorch
生成式 AI 入門
開源閉源LLM應用：
全民瘋 AI 系列：
AI工具使用手冊：學
AIGC大型語言模型
你的第一本智慧體AI
全面掌握Gemini
LLM原理完整回顧：
AI PC基礎CPU
人人都會AI繪圖：開
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
