【每周一本書】之《深入淺出強化學(xué)習(xí)：原理入門》：零起點入門掌握AlphaGo的核心強化學(xué)習(xí)算法

AlphaGo 算法機器學(xué)習(xí)

原創(chuàng) abby | 2018-02-06 08:00

【數(shù)據(jù)猿導(dǎo)讀】《深入淺出強化學(xué)習(xí)：原理入門》試圖從最簡單的解決馬爾科夫決策過程的動態(tài)規(guī)劃算法，一路講解到最前沿的深度強化學(xué)習(xí)算法（Deep Q Network，DQN），單刀直入，全無枝枝蔓蔓之感。不僅解釋數(shù)學(xué)原理，而且注重編程實踐

【每周一本書】之《深入淺出強化學(xué)習(xí)：原理入門》：零起點入門掌握AlphaGo的核心強化學(xué)習(xí)算法

來源：數(shù)據(jù)猿作者：abby

強化學(xué)習(xí)是機器學(xué)習(xí)的一個重要分支，它試圖解決決策優(yōu)化的問題。所謂決策優(yōu)化，是指面對特定狀態(tài)（State，S），采取什么行動方案（Action，A），才能使收益最大（Reward，R）。很多問題都與決策優(yōu)化有關(guān)，比如下棋、投資、課程安排、駕車，動作模仿等。

AlphaGo的核心算法，就是強化學(xué)習(xí)。AlphaGo不僅穩(wěn)操勝券地戰(zhàn)勝了當(dāng)今世界所有人類高手，而且甚至不需要學(xué)習(xí)人類棋手的棋譜，完全靠自己摸索，就在短短幾天內(nèi)，發(fā)現(xiàn)并超越了一千多年來人類積累的全部圍棋戰(zhàn)略戰(zhàn)術(shù)。

最簡單的強化學(xué)習(xí)的數(shù)學(xué)模型，是馬爾科夫決策過程（Markov Decision Process，MDP）。之所以說MDP是一個簡單的模型，是因為它對問題做了很多限制。

1．面對的狀態(tài)st，數(shù)量是有限的。

2．采取的行動方案at，數(shù)量也是有限的。

3．對應(yīng)于特定狀態(tài)st，當(dāng)下的收益rt是明確的。

4．在某一個時刻t，采取了行動方案at，狀態(tài)從當(dāng)前的st轉(zhuǎn)換成下一個狀態(tài)st+1。下一個狀態(tài)有多種可能，記為 , i = 1... n。

換句話說，面對局面st，采取行動at，下一個狀態(tài)是，不是確定的，而是概率的，狀態(tài)轉(zhuǎn)換概率，記為P( | st, at )。但是狀態(tài)轉(zhuǎn)換只依賴于當(dāng)前狀態(tài)st，而與先前的狀態(tài)st-1, st-2 ...無關(guān)。

解決馬爾科夫決策過程問題的常用的算法，是動態(tài)規(guī)劃（Dynamic Programming）。

對馬爾科夫決策過程的各項限制，不斷放松，研究相應(yīng)的算法，是強化學(xué)習(xí)的目標(biāo)。例如對狀態(tài)st放松限制：

1．假如狀態(tài)st的數(shù)量，雖然有限，但是數(shù)量巨大，如何降低動態(tài)規(guī)劃算法的計算成本；

2．假如狀態(tài)st的數(shù)量是無限的，現(xiàn)有動態(tài)規(guī)劃算法失效，如何改進算法；

3．假如狀態(tài)st的數(shù)量不僅是無限的，而且取值不是離散的，而是連續(xù)的，如何改進算法；

4．假如狀態(tài)st不能被完全觀察到，只能被部分觀察到，剩余部分被遮擋或缺失，如何改進算法；

5．假如狀態(tài)st完全不能被觀察到，只能通過其他現(xiàn)象猜測潛在的狀態(tài)，如何改進算法。

放松限制，就是提升問題難度。在很多情況下，強化學(xué)習(xí)的目標(biāo)，不是尋找絕對的最優(yōu)解，而是尋找相對滿意的次優(yōu)解。

強化學(xué)習(xí)的演進，有兩個軸線：一個是不斷挑戰(zhàn)更難的問題，不斷從次優(yōu)解向最優(yōu)解逼近；另一個是在不嚴(yán)重影響算法精度的前提下，不斷降低算法的計算成本。

今天為大家推薦的《深入淺出強化學(xué)習(xí)：原理入門》就試圖從最簡單的解決馬爾科夫決策過程的動態(tài)規(guī)劃算法，一路講解到最前沿的深度強化學(xué)習(xí)算法（Deep Q Network，DQN），單刀直入，全無枝枝蔓蔓之感。不僅解釋數(shù)學(xué)原理，而且注重編程實踐。

AlphaGo_算法_機器學(xué)習(xí)-1

《深入淺出強化學(xué)習(xí)：原理入門》用通俗易懂的語言深入淺出地介紹了強化學(xué)習(xí)的基本原理，覆蓋了傳統(tǒng)的強化學(xué)習(xí)基本方法和當(dāng)前炙手可熱的深度強化學(xué)習(xí)方法。開篇從最基本的馬爾科夫決策過程入手，將強化學(xué)習(xí)問題納入到嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)框架中，接著闡述了解決此類問題最基本的方法——動態(tài)規(guī)劃方法，并從中總結(jié)出解決強化學(xué)習(xí)問題的基本思路：交互迭代策略評估和策略改善?；谶@個思路，分別介紹了基于值函數(shù)的強化學(xué)習(xí)方法和基于直接策略搜索的強化學(xué)習(xí)方法。最后介紹了逆向強化學(xué)習(xí)方法和近年具有代表性、比較前沿的強化學(xué)習(xí)方法。

除了系統(tǒng)地介紹基本理論，書中還介紹了相應(yīng)的數(shù)學(xué)基礎(chǔ)和編程實例。因此，《深入淺出強化學(xué)習(xí)：原理入門》既適合零基礎(chǔ)的人員入門學(xué)習(xí)、也適合相關(guān)科研人員作為研究參考。

第一篇：強化學(xué)習(xí)基礎(chǔ)

第二篇：基于值函數(shù)的強化學(xué)習(xí)方法

第三篇：基于直接策略搜索的強化學(xué)習(xí)方法

第四篇：強化學(xué)習(xí)研究及前沿

后記

【每周一本書】之《數(shù)據(jù)可視化與數(shù)據(jù)挖掘》：基于Tableau和SPSS Modeler圖形界面

【每周一本書】之《深度學(xué)習(xí)入門與實踐》

點擊查看更多大數(shù)據(jù)書籍……

本書由 數(shù)據(jù)猿聯(lián)合電子工業(yè)出版社 共同推薦

【本欄目合作伙伴】：清華大學(xué)出版社、電子工業(yè)出版社、北京師范大學(xué)出版社、中國人民大學(xué)出版社。

歡迎更多合作伙伴加入！也歡迎勾搭小編，微信：wmh4178，備注“書”