Ｐｙｔｈｏｎで学ぶ強化学習　入門から実践まで「改訂第２版」

Ｐｙｔｈｏｎプログラミングとともに、ゼロからていねいに解説。コードが公開されているから、すぐ実践できる。実用でのネックとなる強化学習の弱点と、その克服方法まで紹介。

「Ｐｙｔｈｏｎで強化学習が実装できる！」と好評を得た入門書の改訂版。読者からの要望・指摘を反映させた。主に、Ｐｏｌｉｃｙ　ＧｒａｄｉｅｎｔとＡ２Ｃの記述・実装を見直した。

・Ｐｙｔｈｏｎプログラミングとともに、ゼロからていねいに解説。
・コードが公開されているから、すぐ実践できる。
・実用でのネックとなる強化学習の弱点と、その克服方法まで紹介。

【おもな内容】

Ｄａｙ１　強化学習の位置づけを知る
　強化学習とさまざまなキーワードの関係
　強化学習のメリット・デメリット
　強化学習における問題設定：Ｍａｒｋｏｖ　Ｄｅｃｉｓｉｏｎ　Ｐｒｏｃｅｓｓ　

Ｄａｙ２　強化学習の解法（１）：　環境から計画を立てる
　価値の定義と算出：　Ｂｅｌｌｍａｎ　Ｅｑｕａｔｉｏｎ
　動的計画法による状態評価の学習：　Ｖａｌｕｅ　Ｉｔｅｒａｔｉｏｎ
　動的計画法による戦略の学習：　Ｐｏｌｉｃｙ　Ｉｔｅｒａｔｉｏｎ
　モデルベースとモデルフリーとの違い

Ｄａｙ３　強化学習の解法（２）：　経験から計画を立てる
　経験の蓄積と活用のバランス：　Ｅｐｓｉｌｏｎ－Ｇｒｅｅｄｙ法
　計画の修正を実績から行うか、予測で行うか：　Ｍｏｎｔｅ　Ｃａｒｌｏ　ｖｓ　Ｔｅｍｐｏｒａｌ　Ｄｉｆｆｅｒｅｎｃｅ
　経験を価値評価、戦略どちらの更新に利用するか：Ｖａｌｕｅベース　ｖｓ　Ｐｏｌｉｃｙベース

Ｄａｙ４　強化学習に対するニューラルネットワークの適用
　強化学習にニューラルネットワークを適用する
　価値評価を、パラメーターを持った関数で実装する：Ｖａｌｕｅ　Ｆｕｎｃｔｉｏｎ　Ａｐｐｒｏｘｉｍａｔｉｏｎ
　価値評価に深層学習を適用する：Ｄｅｅｐ　Ｑ－Ｎｅｔｗｏｒｋ　
　戦略を、パラメーターを持った関数で実装する：Ｐｏｌｉｃｙ　Ｇｒａｄｉｅｎｔ
　戦略に深層学習を適用する：Ａｄｖａｎｔａｇｅ　Ａｃｔｏｒ　Ｃｒｉｔｉｃ　（Ａ２Ｃ）
　価値評価か、戦略か

Ｄａｙ５　強化学習の弱点
　サンプル効率が悪い
　局所最適な行動に陥る、過学習をすることが多い
　再現性が低い
　弱点を前提とした対応策

Ｄａｙ６　強化学習の弱点を克服するための手法
　サンプル効率の悪さへの対応：　モデルベースとの併用／表現学習
　再現性の低さへの対応：　進化戦略
　局所最適な行動／過学習への対応：　模倣学習／逆強化学習

Ｄａｙ７　強化学習の活用領域
　行動の最適化
　学習の最適化(「近刊情報」より)

※発売日が変更になりました
9月2日→9月25日

目次

強化学習の位置づけを知る
強化学習の解法（環境から計画を立てる
経験から計画を立てる）
強化学習に対するニューラルネットワークの適用
深層強化学習の弱点
強化学習の弱点を克服するための手法
強化学習の活用領域

本の帯に関して

帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。

版・表紙について

版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。