Python强化学习实战：应用OpenAI Gym和TensorFlow精通强化学习和深度强化学习

译者序 

原书前言 

第1章 强化学习简介 //1 

1.1　什么是强化学习 //1 

1.2　强化学习算法 //2 

1.3　强化学习与其他机器学习范式的不同 //3 

1.4　强化学习的要素 //3 

1.4.1　智能体 //3 

1.4.2　策略函数 //3 

1.4.3　值函数 //4 

1.4.4　模型 //4 

1.5　智能体环境接口 //4 

1.6　强化学习的环境类型 //5 

1.6.1　确定性环境 //5 

1.6.2　随机性环境 //5 

1.6.3　完全可观测环境 //5 

1.6.4　部分可观测环境 //5 

1.6.5　离散环境 //5 

1.6.6　连续环境 //5 

1.6.7　情景和非情景环境 //5 

1.6.8　单智能体和多智能体环境 //6 

1.7　强化学习平台 //6 

1.7.1　OpenAI Gym和Universe //6 

1.7.2　DeepMind Lab //6 

1.7.3　RLGlue //6 

1.7.4　Project Malmo //6 

1.7.5　VizDoom //6 

1.8　强化学习的应用 //7 

1.8.1　教育 //7 

1.8.2　医疗和健康 //7 

1.8.3　制造业 //7 

1.8.4　库存管理 //7 

1.8.5　金融 //7 

1.8.6　自然语言处理和计算机视觉 //7 

1.9　小结 //8 

1.10　问题 //8 

1.11　扩展阅读 //8 

第2章 从OpenAI和TensorFlow入门 //9 

2.1　计算机设置 //9 

2.1.1　安装Anaconda //9 

2.1.2　安装Docker //10 

2.1.3　安装OpenAI Gym和Universe //11 

2.2　OpenAI Gym //13 

2.2.1　基本模拟 //13 

2.2.2　训练机器人行走 //14 

2.3　OpenAI Universe //16 

2.3.1　构建一个视频游戏机器人 //16 

2.4　TensorFlow //20 

2.4.1　变量、常量和占位符 //20 

2.4.2　计算图 //21 

2.4.3　会话 //21 

2.4.4　TensorBoard //22 

2.5　小结 //25 

2.6　问题 //25 

2.7　扩展阅读 //25 

第3章 马尔可夫决策过程和动态规划 //26 

3.1　马尔可夫链和马尔可夫过程 //26 

3.2　MDP //27 

3.2.1　奖励和回报 //28 

3.2.2　情景和连续任务 //28 

3.2.3　折扣因数 //28 

3.2.4　策略函数 //29 

3.2.5　状态值函数 //29 

3.2.6　状态—行为值函数（Q函数）//30 

3.3　Bellman方程和最优性 //30 

3.3.1　推导值函数和Q函数的Bellman方程 //31 

3.4　求解Bellman方程 //32 

3.4.1　动态规划 //32 

3.5　求解冰冻湖问题 //38 

3.5.1　值迭代 //39 

3.5.2　策略迭代 //43 

3.6　小结 //45 

3.7　问题 //45 

3.8　扩展阅读 //46 

第4章 基于蒙特卡罗方法的博弈游戏 //47 

4.1　蒙特卡罗方法 //47 

4.1.1　利用蒙特卡罗方法估计π值 //47 

4.2　蒙特卡罗预测 //50 

4.2.1　首次访问蒙特卡罗 //51 

4.2.2　每次访问蒙特卡罗 //52 

4.2.3　利用蒙特卡罗方法玩二十一点游戏 //52 

4.3　蒙特卡罗控制 //58 

4.3.1　蒙特卡罗探索开始 //58 

4.3.2　在线策略的蒙特卡罗控制 //59 

4.3.3　离线策略的蒙特卡罗控制 //61 

4.4　小结 //62 

4.5　问题 //62 

4.6　扩展阅读 //63 

第5章 时间差分学习 //64 

5.1　时间差分学习 //64 

5.2　时间差分预测 //64 

5.3　时间差分控制 //66 

5.3.1　Q学习 //66 

5.3.2　SARSA //72 

5.4　Q学习和SARSA之间的区别 //77 

5.5　小结 //77 

5.6　问题 //78 

5.7　扩展阅读 //78 

第6章 MAB问题 //79 

6.1　MAB问题 //79 

6.1.1　ε贪婪策略 //80 

6.1.2　Softmax探索算法 //82 

6.1.3　UCB算法 //83 

6.1.4　Thompson采样算法 //85 

6.2　MAB的应用 //86 

6.3　利用MAB识别正确的广告标识 //87 

6.4　上下文赌博机 //89 

6.5　小结 //89 

6.6　问题 //89 

6.7　扩展阅读 //89 

第7章 深度学习基础 //90 

7.1　人工神经元 //90 

7.2　ANN //91 

7.2.1　输入层 //92 

7.2.2　隐层 //92 

7.2.3　输出层 //92 

7.2.4　激活函数 //92 

7.3　深入分析ANN //93 

7.3.1　梯度下降 //95 

7.4　TensorFlow中的神经网络 //99 

7.5　RNN //101 

7.5.1　基于时间的反向传播 //103 

7.6　LSTM RNN //104 

7.6.1　利用LSTM RNN生成歌词 //105 

7.7　CNN //108 

7.7.1　卷积层 //109 

7.7.2　池化层 //111 

7.7.3　全连接层 //112 

7.7.4　CNN架构 //112 

7.8　利用CNN对时尚产品进行分类　//113 

7.9　小结 //117 

7.10　问题 //117 

7.11　扩展阅读 //118 

第8章 基于DQN的Atari游戏　//119 

8.1　什么是DQN //119 

8.2　DQN的架构 //120 

8.2.1　卷积网络 //120 

8.2.2　经验回放 //121 

8.2.3　目标网络 //121 

8.2.4　奖励裁剪 //122 

8.2.5　算法理解 //122 

8.3　构建一个智能体来玩Atari游戏 //122 

8.4　双DQN //129 

8.5　优先经验回放 //130 

8.6　对抗网络体系结构 //130 

8.7　小结 //131 

8.8　问题 //132 

8.9　扩展阅读 //132 

第9章 基于DRQN玩Doom游戏　//133 

9.1　DRQN //133 

9.1.1　DRQN架构 //134 

9.2　训练一个玩Doom游戏的智能体 //135 

9.2.1　基本的Doom游戏 //135 

9.2.2　基于DRQN的Doom游戏 //136 

9.3　DARQN //145 

9.3.1　DARQN架构 //145 

9.4　小结 //145 

9.5　问题 //146 

9.6　扩展阅读 //146 

第10章 A3C网络 //147 

10.1　A3C //147 

10.1.1　异步优势行为者 //147 

10.1.2　A3C架构 //148