Pythonで学ぶ強化学習―入門から実践まで(機械学習スタートアップシリーズ) [単行本]

Pythonで学ぶ強化学習―入門から実践まで(機械学習スタートアップシリーズ) の 商品概要

• 要旨（「BOOK」データベースより）

  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。

• 目次

  Day1　強化学習の位置づけを知る
  Day2　強化学習の解法(1): 環境から計画を立てる
  Day3　強化学習の解法(2): 経験から計画を立てる
  Day4　強化学習に対するニューラルネットワークの適用
  Day5　強化学習の弱点
  Day6　強化学習の弱点を克服するための手法
  Day7　強化学習の活用領域

• 出版社からのコメント

  強化学習が実装できる！　エンジニアのために、Ｐｙｔｈｏｎのサンプルコードとともに、ゼロからていねいに解説。コードも公開！

• 内容紹介

  強化学習が実装できる！　エンジニアのために、Ｐｙｔｈｏｎのサンプルコードとともに、ゼロからていねいに解説。実用でのネックとなる強化学習の弱点とその克服方法、さらに活用領域まで紹介した。コードも公開！
  
  
  ・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
  
  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
  　経験を状態評価、戦略どちらの更新に利用するか
  
  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
  　状態評価を、パラメーターを持った関数で実装する: Value Function Approximation
  　状態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)
  　状態評価か、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

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  久保 隆宏(クボ タカヒロ)
  ＴＩＳ株式会社戦略技術センター所属。現在は、「人のための要約」を目指し、少ない学習データによる要約の作成・図表化に取り組む。また、論文のまとめを共有するａｒＸｉｖＴｉｍｅｓの運営、『直感Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ』オライリージャパン（２０１８）の翻訳など、技術の普及を積極的に行っている

• 著者について

  久保 隆宏 (クボ タカヒロ)
  TIS株式会社戦略技術センター所属。Twitter：@icoxfog417。
  現在は、「人のための要約」を目指し、少ない学習データによる要約の作成・図表化に取り組む。また、論文のまとめを共有するarXivTimesの運営、『直感 Deep Learning』オライリージャパン(2018)の翻訳など、技術の普及を積極的に行っている。

Pythonで学ぶ強化学習―入門から実践まで(機械学習スタートアップシリーズ) の商品スペック