《深度强化学习：基础、研究与应用》[61M]百度网盘|pdf下载|亲测有效
📦 Download Book
- 深度强化学习入门困难：系统梳理深度学习和强化学习基础知识，帮助读者从零建立完整的知识框架。
- 理论与实践脱节：通过AlphaZero、机器人学习跑步等丰富应用案例，将算法理论与工程实践紧密结合。
- 研究选题缺乏方向：精选模仿学习、分层强化学习、多智能体等前沿研究题目，为准备开展研究的读者指明方向。
- 算法实现细节不清：深入讲解基础深度强化学习算法的实现细节，让读者不仅懂原理还能动手实现。
- 缺乏研究实践技巧：作者根据自身经验总结深度强化学习研究实践技巧，帮助读者少走弯路。
- 计算机科学专业学生：具备一定机器学习基础，希望系统学习深度强化学习并开展研究课题的本科生和研究生。
- AI方向软件工程师：没有很强的机器学习背景，但希望快速学习深度强化学习并应用到产品中的工程师。
- 强化学习研究者：已经入门强化学习，希望深入了解前沿研究方向和工程实践技巧的研究人员。
- 游戏AI开发者：从事游戏智能体开发，需要掌握AlphaZero等博弈算法和多智能体技术的开发者。
- 确保数学和深度学习基础：阅读前应具备线性代数、概率论和深度学习基础知识，否则先补充前置知识。
- 第一部分打牢基础：第1-6章是全书基础，务必理解每个算法的数学推导和代码实现后再进入后续章节。
- 研究章节按兴趣选读：第7-12章可根据自己的研究方向选择性精读，不必每章都深入。
- 应用案例动手复现：第13-17章的AlphaZero和机器人案例建议搭建环境动手复现，加深理解。
- 关注实践技巧总结：最后一章的研究实践技巧是作者经验精华，对开展研究工作极具参考价值。
- 完整知识体系：建立从深度学习、强化学习到深度强化学习的完整知识框架，理解各算法的联系与区别。
- 算法实现能力：能够独立实现DQN、策略梯度、PPO等基础深度强化学习算法并调试优化。
- 前沿研究视野：了解模仿学习、分层强化学习、多智能体等前沿方向的研究现状和关键问题。
- 工程应用经验：通过AlphaZero和机器人控制案例，积累将深度强化学习应用到实际问题的经验。
- 研究实践技巧：掌握深度强化学习研究中的实验设计、超参数调优、结果分析等实用技巧。
📖 Book Introduction
产品特色
编辑推荐
一、本书内容之广，令人惊讶，对深度强化学习进行了庖丁解牛式的解读，要想了解、学习、上手深度强化学习，这本书将是你的不二选择。
二、本书作者之众，令人惊叹，本书作者团队是国内外开源社区的一群年轻青年学者和工程师，从科研角度到工程实践，解读深度强化学习知识，契合当下读者的诉求。
三、本书案例之多，令人惊喜，模仿学习、分层强化学习、多智能体强化学习、并行计算、图像增强、阿尔法下棋、机器人学习应有尽有，更难能可贵的是，本书最后作者根据自己经验总结出深度强化学习的研究实践技巧，应该颇具价值，供读者学习。
内容简介
深度强化学习结合深度学习与强化学习算法各自的优势解决复杂的决策任务。得益于 DeepMind AlphaGo 和 OpenAI Five 成功的案例，深度强化学习受到大量的关注，相关技术广泛应用于不同的领域。本书分为三大部分，覆盖深度强化学习的全部内容。第一部分介绍深度学习和强化学习的入门知识、一些非常基础的深度强化学习算法及其实现细节，包括第 1～6 章。第二部分是一些精选的深度强化学习研究题目，这些内容对准备开展深度强化学习研究的读者非常有用，包括第 7～12 章。第三部分提供了丰富的应用案例，包括 AlphaZero、让机器人学习跑步等，包括第 13～17 章。本书是为计算机科学专业背景、希望从零开始学习深度强化学习并开展研究课题和实践项目的学生准备的。本书也适合没有很强的机器学习背景、但是希望快速学习深度强化学习并将其应用到具体产品中的软件工程师阅读。
作者简介
董 豪
北京大学计算机系前沿计算研究中心助理教授、深圳鹏城实验室双聘成员。于 2019 年秋获得英国帝国理工学院博士学位。研究方向主要涉及计算机视觉和生成模型，目的是降低学习智能系统所需要的数据。致力于推广人工智能技术，是深度学习开源框架 TensorLayer 的创始人，此框架获得 ACM MM 2017 年度最佳开源软件奖。在英国帝国理工学院和英国中央兰开夏大学获得一等研究生和一等本科学位。丁子涵 英国帝国理工学院硕士。获普林斯顿大学博士生全额奖学金，曾在加拿大 Borealis AI、腾讯 Robotics X 实验室有过工作经历。本科就读于中国科学技术大学，获物理和计算机双学位。研究方向主要涉及强化学习、机器人控制、计算机视觉等。在 ICRA、NeurIPS、AAAI、IJCAI、Physical Review 等顶级期刊与会议发表多篇论文，是 TensorLayer-RLzoo、TensorLet 和 Arena 开源项目的贡献者。仉尚航 加州大学伯克利分校，BAIR 实验室（Berkeley AI Research Lab）博士后研究员。于 2018年获得卡内基・梅隆大学博士学位。研究方向主要涉及深度学习、计算机视觉及强化学习。在NeurIPS、CVPR、ICCV、TNNLS、AAAI、IJCAI 等人工智能顶级期刊和会议发表多篇论文。目前主要从事 Human-inspired sample-efficient learning 理论与算法研究，包括 low-shot learning、domain adaptation、self learning 等。获得 AAAI 2021 Best Paper Award, 美国 2018 Rising Stars in EECS，及Adobe Collaboration Fund、Qualcomm Innovation Fellowship Finalist Award 等奖励。袁 航 英国牛津大学计算机科学博士在读、李嘉诚奖学金获得者，主攻人工智能安全和深度学习在健康医疗中的运用。曾在欧美各大高校和研究机构研习，如帝国理工学院、马克斯普朗克研究所、瑞士联邦理工和卡内基・梅隆大学。张鸿铭 中国科学院自动化研究所算法工程师。于 2018 年获得北京大学硕士研究生学位。本科就读于北京师范大学，获理学学士学位。研究方向涉及统计机器学习、强化学习和启发式搜索。张敬卿 英国帝国理工学院计算机系博士生，师从帝国理工学院数据科学院院长郭毅可院士。主要研究方向为深度学习、机器学习、文本挖掘、数据挖掘及其应用。曾获得中国国家奖学金。2016年于清华大学计算机科学与技术系获得学士学位，2017 年于帝国理工学院计算机系获得一等研究性硕士学位。黄彦华 就职于小红书，负责大规模机器学习及强化学习在推荐系统中的应用。2016 年在华东师范大学数学系获得理学学士学位。曾贡献过开源项目 PyTorch、TensorFlow 和 Ray。余天洋 启元世界算法工程师，负责强化学习在博弈场景中的应用。硕士毕业于南昌大学，是TensorLayer-RLzoo 开源项目的贡献者。张华清 谷歌公司算法和机器学习工程师，侧重于多智能体强化学习和多层次结构博弈论方向研究，于华中科技大学获得学士学位，后于 2017 年获得休斯敦大学博士学位。黄锐桐 Borealis AI （加拿大皇家银行研究院）团队主管。于 2017 年获得阿尔伯塔大学统计机器学习博士学位。本科就读于中国科学技术大学数学系，后于滑铁卢大学获得计算机硕士学位。研究方向主要涉及在线学习、优化、对抗学习和强化学习。廖培元 目前本科就读于卡内基・梅隆大学计算机科学学院。研究方向主要涉及表示学习和多模态机器学习。曾贡献过开源项目 mmdetection 和 PyTorch Cluster，在 Kaggle 数据科学社区曾获Competitions Grandmaster 称号，**排名全球前 25 位。
精彩书评
郭毅可（香港浸会大学副校长、教授，帝国理工学院教授，数据科学研究所所长，英国皇家工程院院士，欧洲科学院院士）
我对这本书覆盖内容的范围之广印象深刻。从深度强化学习的基础理论知识，到包含代码细节的技术实现描述，作者们花了大量的精力致力于提供综合且广泛的内容。这样的书籍是初学者和科研人员非常好的学习材料。拥抱开源社区是深度学习得到快速发展不可或缺的一个原因。我很欣慰这本书提供了大量的开源代码。我也相信这本书将会对那些希望深入这个领域的研究人员非常有用，也对那些希望通过开源例子快速上手的工程师提供良好的基础。
陈宝权（北京大学教授，前沿计算研究中心执行主任，IEEE Fellow）
本书提供的深度强化学习内容非常可靠，缩小了基础理论和实践之间的差距，以提供详细的描述、算法实现、大量技巧和速查表为特色。本书作者均是研究强化学习的知名大学研究者和将技术用在各类应用中的开源社区实践者。这本书为不同背景和阅读目的的读者提供了非常有用的资源。
金驰（普林斯顿大学助理教授）
这是一本在深度强化学习这个重要领域出版得非常及时的书。本书以一种简明清晰的风格提供了详尽的工具，包括深度强化学习的基础和重要算法、具体实现细节和前瞻的研究方向。对任何愿意学习深度强化学习、将深度强化学习算法运用到某些应用上或开始进行深度强化学习基础研究的人来说，这本书都是理想的学习材料。
李克之（伦敦大学学院助理教授）
这本书是为强化学习、特别是深度强化学习的忠实粉丝提供的。从 2013 年开始，深度强化学习已经渐渐地以多种方式改变了我们的生活和世界，比如会下棋的 AlphaGo 技术展示了超过专业选手的理解能力的“围棋之美”。类似的情况也会发生在技术、医疗和金融领域。深度强化学习探索了一个人类最基本的问题：人类是如何通过与环境交互进行学习的？这个机制可能成为逃出“大数据陷阱”的关键因素，作为一条强人工智能的必经之路，通向人类智慧尚未企及的地方。本书由一群对机器学习充满热情的年轻研究人员编著，它将向你展示深度强化学习的世界，通过实例和经验介绍加深你对深度强化学习的理解。向所有想把未来智慧之匙揣进口袋的学习者推荐此书。
📑 Table of Contents
- 深度学习基础回顾
- 强化学习基础理论
- 深度强化学习核心算法
- 基础算法实现细节与调试
- 值函数近似与策略梯度方法
- 高级策略优化算法
- 模仿学习与逆强化学习
- 分层强化学习
- 多智能体强化学习
- 并行计算与分布式训练
- 图像增强与表示学习
- AlphaZero原理与实现
- 机器人学习跑步案例
- 深度强化学习研究实践技巧
