本書是強化學習領域的入門書籍。本書結合大量清晰易懂的實際用用案例，能夠幫助讀者更好地理解強化學習各個算法的實現原理，降低了強化學習入學門檻。書中架構安排合理，語言表達準確，推理證明齊全。

●I 概述
第1章 導論
1．1 強化學習簡介
1．1．1 兩個主要特征
1．1．2 與機器學習的關繫
1．2 強化學習發展史
1．2．1 試錯學習
1．2．2 很優控制
1．2．3 時序差分學習
1．2．4 深度強化學習
1．3 本書的主要內容
1．4 本章小結
II 預備知識
第2章 概率統計與隨機過程
2．1 概率論
2．1．1 集合
2．1．2 概率
2．1．3 隨機試驗與隨機事件
2．1．4 條件概率與獨立事件
2．1．5 隨機變量
2．1．6 期望與方差
2．1．7 概率分布
2．2 統計學基礎
2．2．1 大數定律
2．2．2 中心極限定理
2．3 隨機過程
2．3．1 基本概念
2．3．2 分布函數
2．3．3 基本類型
2．3．4 馬爾可夫過程
2．3．5 馬爾可夫鏈的狀態分類
2．3．6 平穩分布
2．4 本章小結
第3章 機器學習
3．1 基本概念
3．2 線性回歸
3．3 邏輯回歸
3．3．1 邏輯回歸模型
3．3．2 邏輯回歸指標
3．3．3 邏輯回歸算法
3．4 隨機梯度下降
3．4．1 隨機梯度下降法
3．4．2 基於SGD實現邏輯回歸
3．5 本章小結
第4章 神經網絡
4．1
4．2 感知機
4．2．1 感知機模型
4．2．2 感知機指標
4．2．3 感知機算法
4．3 神經網絡
4．3．1 神經網絡模型
4．3．2 神經網絡指標
4．3．3 神經網絡算法
4．3．4 梯度消失現像
4．4 本章小結
第5章 深度學習
……
III 強化學習基礎
IV 表格求解法
V 近似求解法
VI 實踐與前沿
VII 附錄

本書構建了一個完整的強化學習入門路徑，深入淺出地介紹了強化學習算法的基本原理和實現方法。本書首先回顧了相關預備知識，包括數學基礎和機器學習基礎，然後先介紹強化學習的基本概念，給出強化學習的數學框架（馬爾可夫決策過程），隨後介紹強化學習的求解算法，包括表格求解法（動態規劃法、蒙特卡洛法和時序差分法），以及近似求解法（值函數近似法、策略梯度法和深度強化學習）。本書最後一部分為實踐與前沿，實踐部分基於一個相同的例子實現了強化學習領域的主流基礎算法，前沿部分介紹了強化學習領域的近期新研究進展。本書配有相當數量的習題供練習，配套代碼基於Python實現，源代碼均已開源，可開放獲取。本書可作為理工科本科生、研究生的“強化學習”課程的教材，也可作為相關從業者掌握強化學習的入門參考書。

袁莎,白朔天,唐傑 著