强化学习入门——基于Python（基于Python的数据分析丛书）

强化学习是机器学习的重要组成部分。本书采用理论与实践相结合的写法，从强化学习的基本概念开始，详细介绍了强化学习的算法理论和实践操作，配有Python代码实现，完整呈现强化学习算法的实践细节。通过这本书你将会：
（1）理解强化学习最关键方面的问题。
（2）探索马尔可夫决策过程及动态规划的过程。
（3）深入理解强化学习的各种方法，包括MC方法，TD方法，深度学习Q方法，SARSA方法等。
（4）通过大量的现实例子及Python实现程序，不断地实践，成为强化学习的高手。

第一部分 强化学习基础与实践
第1章引 言
1.1 从迷宫问题谈起
1.1.1 人类和动物所面对的迷宫问题
1.1.2 迷宫的说明性例子
1.1.3 例1.1: 奖励矩阵
1.1.4 例1.1: 训练以得到关于状态和行动的奖励: Q矩阵
1.1.5 例1.1: 使用Q矩阵来得到最优行动(路径)
1.1.6 例1.1: 把代码组合成 class
1.2 热身: 井字游戏*
1.2.1 两个真人的简单井字游戏
1.2.2 人和机器的井字游戏的强化学习实践
1.2.3 井字游戏的强化学习代码解释
1.2.4 整个训练过程
1.2.5 使用训练后的模型做人机游戏
1.2.6 1.2.1节代码
1.2.7 附录: 1.2.3节人和机器的井字游戏代码
1.3 强化学习的基本概念
1.4 马尔可夫决策过程的要素
1.5 作为目标的奖励
1.6 探索与开发的权衡
1.6.1 探索与开发
1.6.2 强化学习中的优化和其他学科的区别
1.7 本书将会讨论和运算的一些例子
1.7.1 例1.3格子路径问题
1.7.2 例1.4出租车问题
1.7.3 例1.5推车杆问题
1.7.4 例1.6倒立摆问题
1.7.5 例1.7多臂老虎机问题
1.7.6 例1.7和其他例子(例1.3、例1.5及例1.6)的区别
第2章马尔可夫决策过程和动态规划
2.1 马尔可夫决策过程简介
2.1.1 马尔可夫性
2.1.2 策略
2.1.3 作为回报期望的价值函数
2.1.4 通过例 1.3 格子路径问题理解本节概念
2.2 动态规划
2.2.1 动态规划简介
2.2.2 Bellman方程
2.2.3 最优策略和最优价值函数
2.3 强化学习基本方法概述
2.3.1 代理与环境的互动
2.3.2 策略迭代: 策略评估和策略改进
2.3.3 价值迭代
2.3.4 策略迭代与价值迭代比较
2.3.5 异步动态规划
2.3.6 广义策略迭代
2.3.7 策略梯度
2.3.8 off-policy, on-policy和offline RL
2.4 蒙特卡罗抽样
2.4.1 MC策略评估
2.4.2 MC状态-行动值的估计
2.4.3 on-policy: Q价值的MC估计
2.4.4 off-policy: MC预测
2.4.5 MC的策略梯度
2.5 和本章概念相关的例子
2.5.1 例1.3格子路径问题使用Bellman方程做价值迭代
2.5.2 例1.3格子路径问题的TD函数
第3章各种机器学习算法及实例
3.1 暂时差(TD)简介
3.1.1 TD、DP和MC算法的比较
3.1.2 TD方法的特点
3.1.3 TD(0)方法的延伸
3.2 TD评估及策略改进
3.2.1 SARSA (on-policy)
3.2.2 Q学习 (off-policy)
3.2.3 加倍Q学习 (off-policy)
3.3 函数逼近及深度学习算法
3.3.1 基于价值和策略的函数逼近
3.3.2 深度Q学习
3.3.3 TD: 演员-批评者(AC)架构
3.3.4 A2C算法步骤
3.3.5 A3C 算法
3.3.6 DDPG 算法
3.3.7 ES 算法
3.3.8 PPO 算法
3.3.9 SAC 算法
3.4 用第1章的例子理解本章算法
3.4.1 例1.3格子路径问题: SARSA
3.4.2 例1.4出租车问题: SARSA
3.4.3 例1.3格子路径问题: 加倍Q学
3.4.4 例1.5推车杆问题: 深度Q学习
3.4.5 例1.5推车杆问题: A3C
3.4.6 例1.6倒立摆问题: DDPG
3.4.7 例1.5推车杆问题: ES
3.4.8 例1.5推车杆问题: PP