●譯者序序前言作者簡介第一部分  簡介第1章  強化學習介紹3  1.1  強化學習3  1.2  數學形式化8  1.3  本書結構11    1.3.1  模型無關策略迭代11    1.3.2  模型無關策略搜索12    1.3.3  基於模型的強化學習13第二部分  模型無關策略迭代第2章  基於值函數近似的策略迭代17  2.1  值函數17    2.1.1  狀態值函數17    2.1.2  狀態-動作值函數18  2.2  最小二乘策略迭代19    2.2.1  瞬時獎賞回歸20    2.2.2  算法21    2.2.3  正則化23    2.2.4  模型選擇25  2.3  本章小結26第3章  值函數近似中的基函數設計27  3.1  圖中的高斯核27    3.1.1  MDP-誘導圖27    3.1.2  通用高斯核28    3.1.3  測地線高斯核29    3.1.4  擴展到連續狀態空間30  3.2  圖解說明30    3.2.1  配置30    3.2.2  測地線高斯核31    3.2.3  通用高斯核33    3.2.4  圖拉普拉斯特征基33    3.2.5  擴散小波35  3.3  數值示例35    3.3.1  機器人手臂控制35    3.3.2  機器人導航39  3.4  本章小結46第4章  策略迭代中的樣本重用47  4.1  形式化47  4.2  離策略值函數近似48    4.2.1  片段重要性加權49    4.2.2  每次決策的重要性加權50    4.2.3  自適應的每次決策重要性加權50    4.2.4  圖解說明51  4.3  展平參數的自動選擇54    4.3.1  重要性加權交叉驗證54    4.3.2  圖解說明55  4.4  樣本重用策略迭代56    4.4.1  算法56    4.4.2  圖解說明56  4.5  數值示例58    4.5.1  倒立擺58    4.5.2  小車爬山61  4.6  本章小結64第5章  策略迭代中的主動學習65  5.1  主動學習的高效探索65    5.1.1  問題配置65    5.1.2  泛化誤差的分解66    5.1.3  估計泛化誤差67    5.1.4  設計采樣策略68    5.1.5  圖解說明69  5.2  主動策略迭代72    5.2.1  具有主動學習的樣本重用策略迭代72    5.2.2  圖解說明73  5.3  數值示例74  5.4  本章小結76第6章  魯棒策略迭代79  6.1  策略迭代中的魯棒性和可靠性79    6.1.1  魯棒性79    6.1.2  可靠性80  6.2  最小絕對策略迭代81    6.2.1  算法81    6.2.2  圖解說明81    6.2.3  性質82  6.3  數值示例83  6.4  可能的拓展88    6.4.1  Huber損失88    6.4.2  pinball損失89    6.4.3  deadzone-linear損失90    6.4.4  切比雪夫逼近90    6.4.5  條件風險值91  6.5  本章小結92第三部分  模型無關策略搜索第7章  梯度上升的直接策略搜索95  7.1  形式化95  7.2  梯度方法96    7.2.1  梯度上升96    7.2.2  方差約簡的基線減法98    7.2.3  梯度估計量的方差分析99  7.3  自然梯度法101    7.3.1  自然梯度上升101    7.3.2  圖解說明103  7.4  計算機圖形中的應用：藝術家智能體104    7.4.1  東方山水畫繪畫104    7.4.2  狀態、動作和瞬時獎賞的設計106    7.4.3  實驗結果111  7.5  本章小結113第8章  期望優選化的直接策略搜索117  8.1  期望優選化方法117  8.2  樣本重用119    8.2.1  片段重要性加權119    8.2.2  每次決策的重要性加權122    8.2.3  自適應的每次決策重要性加權123    8.2.4  展平參數的自動選擇123    8.2.5  樣本重用的加權獎賞回歸125  8.3  數值示例125  8.4  本章小結131第9章  策略優先搜索133  9.1  形式化133  9.2  基於參數探索的策略梯度134    9.2.1  策略優先的梯度上升134    9.2.2  方差約簡的基線減法135    9.2.3  梯度估計量的方差分析136    9.2.4  數值示例138  9.3  策略優先搜索中的樣本重用142    9.3.1  重要性加權142    9.3.2  基線減法的方差約簡144    9.3.3  數值示例146  9.4  本章小結153第四部分  基於模型的強化學習第10章  轉移模型估計157  10.1  條件密度估計157    10.1.1  基於回歸的方法157    10.1.2  ε-鄰域核密度估計158    10.1.3  最小二乘條件密度估計159  10.2  基於模型的強化學習161  10.3  數值示例162    10.3.1  連續型鏈條遊走162    10.3.2  人形機器人控制167  10.4  本章小結171第11章  轉移模型估計的維度約簡173  11.1  充分維度約簡173  11.2  平方損失條件熵173    11.2.1  條件獨立174    11.2.2  利用SCE進行維度約簡175    11.2.3  SCE與平方損失互信息的關繫176  11.3  數值示例176    11.3.1  人工和標準數據集176    11.3.2  人形機器人179  11.4  本章小結182參考文獻183

本書從現代機器學習的視角介紹了統計強化學習的基本概念和實用算法。它涵蓋了各種類型的強化學習方法，包括基於模型的方法和與模型無關的方法，策略迭代和策略搜索方法。

[日]杉山將（Masashi Sugiyama） 著 高陽 等 譯

在即將到來的大數據時代，統計學與機器學習正成為數據挖掘不可或缺的工具。根據數據分析的類型，機器學習方法分為三類：●監督學習：給定輸入和輸出的數據，監督學習的目標是分析輸入、輸出數據之間的關繫。監督學習典型的任務包括回歸（預測真實取值）、分類（預測類別）以及排序（預測順序）。監督學習是最常用的數據分析工具，並且已經在統計學領域被研究了很長時間。監督學習在機器學習中近期的趨勢是利用輸入、輸出數據的輔助信息來進一步改善預測的精度。例如，半監督學習利用額外的輸入數據，遷移學習借用來自其他相似學習任務的數據，多任務學習同時解決多個相關學習任務。●無監督學習：僅給定輸入數據，無監督學習的目標是在數據中找到有用的東西。由於這種模糊的定義，無監督學習研究往往比監督學習更具特色。然而，由於其自動化以及廉價的特性，無監督學習被認為是數據挖掘中最重要的工具之一。無監督學習典型的任務包括聚類（根據數據的相似性進行等