深度強化學習（Deep Reinforcement Learning，DRL）是深度學習算法和強化學習算法的巧妙結合，它是一種新興的通用人工智能算法技術，也是機器學習的前沿技術，DRL 算法潛力無限，AlphaGo是目前該算法*成功的使用案例。DRL 算法以馬爾科夫決策過程為基礎，是在深度學習強大的非線性函數的擬合能力下構成的一種增強算法。深度強化學習算法主要包括基于動態規劃（DP）的算法以及基于策略優化的算法，本書的目的就是要把這兩種主要的算法（及設計技巧）講解清楚，使算法研究人員能夠熟練地掌握。《揭秘深度強化學習人工智能機器學習技術叢書》共10 章，首先以AlphaGo 在圍棋大戰的事跡開始，引起對人工智能發展和現狀的介紹，進而介紹深度強化學習的基本知識。然后分別介紹了強化學習（重點介紹蒙特卡洛算法和時序差分算法）和深度學習的基礎知識、功能神經網絡層、卷積神經網絡（N）、循環神經網絡（RNN），以及深度強化學習的理論基礎和當前主流的算法框架。*后介紹了深度強化學習在不同領域的幾個應用實例。引例、基礎知識和實例相結合，方便讀者理解和學習。《揭秘深度強化學習 人工智能機器學習技術叢書》內容豐富，講解全面、語言描述通俗易懂，是深度強化學習算法入門的*選擇。本書適合計算機專業本科相關學生、人工智能領域的研究人員以及所有對機器學習和人工智能算法感興趣的人員。
$ 469 元
原價 539