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:

  • 强化学习实战 强化学习在阿里的技术演进和业务创新 笪庆,曾安祥 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 笪庆著
    • 出版社: 电子工业出版社
    • 出版时间:2017-02-01 00:00:00
    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:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 笪庆著
    • 出版社:电子工业出版社
    • 出版时间:2017-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2017-02-01
    • 字数:226千字
    • 页数:232
    • 开本:16开
    • 装帧:平装
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    强化学习实战 强化学习在阿里的技术演进和业务创新

    作  者:笪庆,曾安祥 著
    定  价:89
    出 版 社:电子工业出版社
    出版日期:2018年10月01日
    页  数:217
    装  帧:平装
    ISBN:9787121338984
    主编推荐

      

    内容简介

    本书汇集了阿里巴巴一线算法工程师在强化学习应用方面的经验和心得,覆盖了搜索事业部、阿里妈妈事业部、计算平台事业部以及智能服务事业部等多条业务线,工业界抢先发售系统地披露了强化学习在互联网级别的应用上使用的技术细节,其中更包含了阿里巴巴的算法工程师对强化学习的深入理解、思考和创新。本书主要面向算法工程师,强化学习方向的研究人员以及所有机器学习爱好者。作为算法工程师,你将了解强化学习在实际应用中的建模方法,常见的问题以及对应的解决思路,提高建模和解决业务问题的能力;作为强化学习方向的研究人员,你将了解到在游戏之外更多实际的强化学习问题以及对应的解决方案,扩宽研究视野;作为机器学习爱好者,你将了解到阿里巴巴的一线机器学习算法工程师是如何发现问题,定义问题和解决问题的,激发研究兴趣以及提升专业素养。

    作者简介

    笪庆,花名达卿,阿里巴巴不错算法专家,硕士毕业于南京大学机器学习与数据挖掘研究所,增多次获得靠前外数据挖掘/人工智能类竞赛优选,发表多篇领域顶会论文。在阿里主要从事搜索算法排序的工作,并率先在集团内开展强化学习在电商业务中的应用,实现了线上决策引擎的智能化决策升级。
    曾安祥,花名仁重,阿里巴巴资深算法专家。于2009年加入阿里巴巴,作为淘宝搜索的创始人之一,先后参与组建了Query分析团队和排序团队等算法团队,和伙伴们一起创造了靠前的商品搜索技术。专注于大规模机器学习在线学习、深度学习及强化学习等技术在电商环境中的大规模实际应用。发表了多篇顶会论文,申请了多个靠前外专利。

    精彩内容

    目录
    第1章强化学习基础1
    1.1引言2
    1.2起源和发展3
    1.3问题建模5
    1.4常见强化学习算法8
    1.4.1基于值函数的方法9
    1.4.2基于直接策略搜索的方法12
    1.5总结14
    第2章基于强化学习的实时搜索排序策略调控15
    2.1研究背景16
    2.2问题建模17
    2.2.1状态定义17
    2.2.2奖赏函数设计18
    2.3算法设计19
    2.3.1策略函数19
    2.3.2策略梯度20
    2.3.3值函数的学习21
    2.4奖赏塑形22
    2.5实验效果25
    2.6DDPG与梯度融合27
    2.7总结与展望28
    第3章延迟奖赏在搜索排序场景中的作用分析30
    3.1研究背景31
    3.2搜索交互建模31
    3.3数据统计分析33
    3.4搜索排序问题形式化36
    3.4.1搜索排序问题建模36
    3.4.2搜索会话马尔可夫决策过程38
    3.4.3奖赏函数39
    3.5理论分析40
    3.5.1马尔可夫性质40
    3.5.2折扣率41
    3.6算法设计44
    3.7实验与分析48
    3.7.1模拟实验48
    3.7.2搜索排序应用51
    第4章基于多智能体强化学习的多场景联合优化54
    4.1研究背景55
    4.2问题建模57
    4.2.1相关背景简介57
    4.2.2建模方法58
    4.3算法应用65
    4.3.1搜索与电商平台65
    4.3.2多排序场景协同优化66
    4.4实验与分析69
    4.4.1实验设置69
    4.4.2对比基准70
    4.4.3实验结果70
    4.4.4在线示例73
    4.5总结与展望75
    第5章虚拟淘宝76
    5.1研究背景77
    5.2问题描述79
    5.3虚拟化淘宝80
    5.3.1用户生成策略81
    5.3.2用户模仿策略83
    5.4实验与分析85
    5.4.1实验设置85
    5.4.2虚拟淘宝与真实淘宝对比85
    5.4.3虚拟淘宝中的强化学习87
    5.5总结与展望90
    第6章组合优化视角下基于强化学习的精准定向
    广告OCPC业务优化92
    6.1研究背景93
    6.2问题建模94
    6.2.1奖赏设计94
    6.2.2动作定义94
    6.2.3状态定义95
    6.3模型选择100
    6.4探索学习102
    6.5业务实战103
    6.5.1系统设计103
    6.5.2奖赏设计105
    6.5.3实验效果106
    6.6总结与展望106
    第7章策略优化方法在搜索广告排序和竞价机制中的应用108
    7.1研究背景109
    7.2数学模型和优化方法110
    7.3排序公式设计112
    7.4系统简介113
    7.4.1离线仿真模块114
    7.4.2离线训练初始化114
    7.5在线策略优化117
    7.6实验与分析118
    7.7总结与展望120
    第8章TaskBot――阿里小蜜的任务型问答技术121
    8.1研究背景122
    8.2模型设计123
    8.2.1意图网络123
    8.2.2信念跟踪124
    8.2.3策略网络124
    8.3业务应用126
    8.4总结与展望127
    第9章DRL导购――阿里小蜜的多轮标签推荐技术128
    9.1研究背景129
    9.2算法框架130
    9.3深度强化学习模型133
    9.3.1强化学习模块133
    9.3.2模型融合134
    9.4业务应用135
    9.5总结与展望136
    第10章RobustDQN在淘宝锦囊推荐系统中的应用137
    10.1研究背景138
    10.2RobustDQN算法140
    10.2.1分层采样方法140
    10.2.2基于分层采样的经验池141
    10.2.3近似遗憾奖赏142
    10.2.4RobustDQN算法143
    10.3RobustDQN算法在淘宝锦囊上的应用144
    10.3.1系统架构144
    10.3.2问题建模145
    10.4实验与分析147
    10.4.1实验设置148
    10.4.2实验结果148
    10.5总结与展望152
    第11章基于上下文因子选择的商业搜索引擎性能优化153
    11.1研究背景154
    11.2排序因子和排序函数156
    11.3相关工作157
    11.4排序中基于上下文的因子选择158
    11.5RankCFS:一种强化学习方法162
    11.5.1CFS问题的?MDP建模162
    11.5.2状态与奖赏的设计163
    11.5.3策略的学习165
    11.6实验与分析166
    11.6.1离线对比167
    11.6.2在线运行环境的评价170
    11.6.3双11评价171
    11.7总结与展望172
    第12章基于深度强化学习求解一类新型三维装箱问题173
    12.1研究背景174
    12.2问题建模175
    12.3深度强化学习方法177
    12.3.1网络结构178
    12.3.2基于策略的强化学习方法179
    12.3.3基准值的更新180
    12.3.4随机采样与集束搜索180
    12.4实验与分析181
    12.5小结182
    第13章基于强化学习的分层流量调控183
    13.1研究背景184
    13.2基于动态动作区间的DDPG算法186
    13.3实验效果189
    13.4总结与展望189
    第14章风险商品流量调控190
    14.1研究背景191
    14.2基于强化学习的问题建模192
    14.2.1状态空间的定义192
    14.2.2动作空间的定义193
    14.2.3奖赏函数的定义193
    14.2.4模型选择194
    14.2.5奖赏函数归一化196
    14.3流量调控系统架构196
    14.4实验效果197
    14.5总结与展望197
    参考文献199

    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