返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版]用Python动手学强化学习 全彩印刷 人工智能机器深度学习python从入门到实战编程入门零基础自学计算机网络
  • 全彩印刷,132张图表+大量示例+Python代码
    • 作者: 久保隆宏著
    • 出版社: 人民邮电出版社
    • 出版时间:2021-07
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    友一个图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: 久保隆宏著
    • 出版社:人民邮电出版社
    • 出版时间:2021-07
    • ISBN:9783284970564
    • 版权提供:人民邮电出版社

             店铺公告

      为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。

    温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货),

    关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。

      本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!

    1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!

    2.店铺无纸质均开具电子,请联系客服开具电子版

     


    内容介绍

    强化学习是机器学习的重要分支之一。《用Python动手学强化学习》结合实际可运行的Python代码,通过简明的文字、丰富的插图和示例,通俗易懂地介绍了从基础概念到前沿应用等方方面面的内容,包括根据环境和经验制订计划的学习方法、强化学习与神经网络的组合,以及强化学习的弱点和克服方法。读者通过下载书中代码并亲自动手运行,可以快速入门强化学习并进行实践。
    目录

    第 1章 了解强化学习 1
    1.1 强化学习与各关键词之间的关系 1
    1.2 强化学习的优点和弱点 8
    1.3 强化学习的问题设定:马尔可夫决策过程 9

    第 2章 强化学习的解法(1):根据环境制订计划 21
    2.1 价值的定义和计算:贝尔曼方程 22
    2.2 基于动态规划法的价值近似的学习:价值迭代 28
    2.3 基于动态规划法的策略的学习:策略迭代 32
    2.4 基于模型的方法和无模型的方法的区别 36

    第3章 强化学习的解法(2):根据经验制订计划 39
    3.1 平衡经验的积累与利用:Epsilon-Greedy 算法 41
    3.2 是根据实际奖励还是预测来修正计划:蒙特卡洛方法和时序差分学习 46
    3.3 用经验来更新价值近似还是策略:基于价值和基于策略 62

    第4章 使用面向强化学习的神经网络 73
    4.1 将神经网络应用于强化学习 74
    4.2 通过含有参数的函数实现价值近似:价值函数近似 100
    4.3 将深度学习应用于价值近似:DQN 109
    4.4 通过含有参数的函数实现策略:策略梯度 121
    4.5 将深度学习应用于策略:A2C 133
    4.6 是价值近似还是策略呢 153

    第5章 强化学习的弱点 157
    5.1 获取样本的效率低 157
    5.2 容易陷入局部*优行动和过拟合160
    5.3 复现性差 163
    5.4 以弱点为前提的对策 164

    第6章 克服强化学习弱点的方法 169
    6.1 应对采样效率低的方法:与基于模型的方法一起使用、表征学习 170
    6.2 改善复现性的方法:进化策略 198
    6.3 应对局部*优行动和过拟合的方法:模仿学习和逆强化学习 206

    第7章 强化学习的应用领域 237
    7.1 行动的*优化 239
    7.2 学习的*优化 248
    参考文献 252
    作者介绍

    [日]久保隆宏(作者) 任职于日本大型系统集成商TIS,具有丰富的机器学习研究和开发经验。论文共享网站站arXivTimes运营者,积**致力于技术普及,著有《TensorFlow应用指南》(合著)。 梁垿(译者) 硕士毕业于日本早稻田大学,研究方向为机器学习。目前在日本大型系统集成商TIS任自然语言处理工程师。热爱长跑与读书,喜欢科幻、蒸汽朋克、克苏鲁等题材的作品。 程引(译者) 工学博士学位,毕业于上海交通大学。目前在日本BizReach公司(Visional Group)AI部门任算法工程师。业务方向为推荐系统与自然语言处理,研究兴趣包括强化学习与自动控制。
    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购