Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras azw3 极速 下载 snb txt pdf pdb 夸克云

《Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras》带领读者深入强化学习算法的世界，并使用Python在不同用例中应用它们。其中涵盖了一些重要主题，例如，策略梯度算法和Q学习算法，并使用了TensorFlow、Keras和OpenAI Gym框架。

本书介绍了强化学习(RL)算法背后的理论及用于实现它们的代码。读者将依次学习OpenAI Gym的各类功能，从应用标准库，到创建自己的环境，再到掌握如何构建强化学习问题，从而能够研究、开发和部署基于强化学习的解决方案。

主要内容

●

使用Python实现强化学习算法

●

应用AI框架，例如OpenAI Gym、TensorFlow和Keras

●

利用云资源部署并训练基于强化学习的解决方案

●

实战强化学习实际应用

目 录

第1章 强化学 1

1.1 强化学展史 2

1.2 MDP及其与强化学系 3

1.3 强化学和强化学 5

1.4 Q学8

1.5 强化学用 9

1.5.1 经典控制问题 9

1.5.2 《马里奥兄弟》游戏 10

1.5.3 《毁灭战士》游戏 11

1.5.4 基于强化学市策略 12

1.5.5 《刺猬索尼克》游戏 12

1.6 本章小结 13

第2章 强化学 15

2.1 OpenAI Gym 15

2.2 基于策略的学16

2.3 策略梯度的数学解释 17

2.4 基于梯度上升的策略优化 19

2.5 使用普通策略梯度法求解车杆问题

2.6 什么是折扣奖励，为什么要使用它们 23

2.7 策略梯度的不足 28

2.8 端策略优化(PPO)和Actor-Critic模型 29

2.9 实现PPO并求解《马里奥兄弟》 30

2.9.1 《马里奥兄弟》概述 30

2.9.2 安装环境软 31

2.9.3 资源库中的代码结构 32

2.9.4 模型架构 32

2.10 应对难度更大的强化学 37

2.11 容器化强化学 39

2.12 实验结果 41

2.13 本章小结 41

第3章 强化学：Q学变种 43

3.1 Q学43

3.2 时序差分(TD)学45

3.3 epsilon-greedy算法 46

3.4 利用Q学冰湖问题 47

3.5 深度Q学50

3.6 利用深度Q学毁灭战士》游戏 51

3.7 训练与能 56

3.8 深度Q学限 57

3.9 双Q学深度Q网络 58

3.10 本章小结 59

第4章 基于强化学市策略 61

4.1 什么是做市 61

4.2 Trading Gym 63

4.3 为什么强化学于做市 64

4.4 使用Trading Gym合成订单簿数据 66

4.5 使用Trading Gym生成订单簿数据 67

4.6 实验设计 68

4.6.1 强化学1：策略梯度 71

4.6.2 强化学2：深度Q网络 71

4.7 结果和讨论 73

4.8 本章小结 74

第5章 自定义OpenAI强化学 75

5.1 《刺猬索尼克》游戏概述 75

5.2 下载该游戏 76

5.3 编写该环境的代码 78

5.4 A3C Actor-Critic 82

5.5 本章小结 88

附录A 源代码 91

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras在线阅读

在线听书地址：Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras在线收听

在线购买地址：Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

" 本书带领读者深入强化宁的世界，并使用Fyth 在不同用例中应用它们。其中涵盖了一些重要主题，例如策略样度算法和Q学，并使用了TensorFlaw. Keras和OpenAl Gym框架。 本书带领读者深入强化宁的世界，并使用Fyth 在不同用例中应用它们。其中涵盖了一些重要主题，例如策略样度算法和Q学，并使用了TensorFlaw. Keras和OpenAl Gym框架。 本书介绍了强化学L)算法背后的理论及用于实现它们的代码。读占将依次学enAl Gym的各能，从应用标准库，到创建白己的环境，再到掌掘如何构建龚化学，从而能够研究、开发和部署基千强化学决方案。 "

书籍介绍

《Python强化学习实战：使用OpenAI Gym、TensorFlow和Keras》带领读者深入强化学习算法的世界，并使用Python在不同用例中应用它们。其中涵盖了一些重要主题，例如，策略梯度算法和Q学习算法，并使用了TensorFlow、Keras和OpenAI Gym框架。

本书介绍了强化学习(RL)算法背后的理论及用于实现它们的代码。读者将依次学习OpenAI Gym的各类功能，从应用标准库，到创建自己的环境，再到掌握如何构建强化学习问题，从而能够研究、开发和部署基于强化学习的解决方案。

主要内容

●

使用Python实现强化学习算法

●

应用AI框架，例如OpenAI Gym、TensorFlow和Keras

●

利用云资源部署并训练基于强化学习的解决方案

●

实战强化学习实际应用