Sto cercando un libro di testo / appunti per l'apprendimento per rinforzo. Sono appassionato di "Introduzione all'apprendimento statistico" , ma sfortunatamente non trattano questo argomento. So che un libro di Sutton e Barto è un riferimento standard, e forse anche l' NDP è buono, ma sono datati 1997-98, e speravo di trovare un'esposizione più moderna dal momento che questo campo probabilmente avrà un certo sviluppo negli ultimi tempo.
Risposte:
Penso che Sutton e Barto siano ancora lo standard. Ci sono molti mazzi di diapositive e note delle classi AI online, ma in genere non entrano in troppi dettagli.
Sutton and Barto è un po 'vecchio, ma stanno preparando una seconda edizione del loro libro di testo. Una bozza, datata gennaio 2018, è disponibile qui ; è collegato dalla pagina Web di Sutton , che contiene anche il testo completo della prima edizione.
Oltre a ciò, potresti provare a immergerti in alcuni documenti: le cose di apprendimento del rinforzo tendono ad essere abbastanza accessibili.
Potresti voler dare un'occhiata a Algorithms for Reinforcement Learning di Csaba Szepesvári, pubblicato nel 2010. PDF scaricabile dal sito web. Secondo me, è un po 'più tecnico di Sutton e Barto ma copre meno materiale.
Ecco alcuni buoni libri di testo / riferimenti:
Classico
Sutton RS, Barto AG. Apprendimento per rinforzo: un'introduzione. Cambridge, Massachussets: un libro di Bradford; 1998. 322 p.
La bozza per la seconda edizione è disponibile gratuitamente: https://webdocs.cs.ualberta.ca/~sutton/book/the-book.html
Russell / Norvig Capitolo 21:
Russell SJ, Norvig P, Davis E. Intelligenza artificiale: un approccio moderno. Upper Saddle River, NJ: Prentice Hall; 2010.
Più tecnico
Szepesvári C. Algorithms per l'apprendimento per rinforzo. Lezioni di sintesi su intelligenza artificiale e machine learning. 2010; 4 (1): 1-103. http://www.ualberta.ca/~szepesva/RLBook.html
Bertsekas DP. Programmazione dinamica e controllo ottimale. 4a edizione. Belmont, Mass .: Athena Scientific; 2007. 1270 p. Il capitolo 6, vol 2 è disponibile gratuitamente: http://web.mit.edu/dimitrib/www/dpchapter.pdf
Per sviluppi più recenti
Wiering M, van Otterlo M, editori. Insegnamento rafforzativo. Berlino, Heidelberg: Springer Berlin Heidelberg; 2012 Disponibile da: http://link.springer.com/10.1007/978-3-642-27645-3
Kochenderfer MJ, Amato C, Chowdhary G, How JP, Reynolds HJD, Thornton JR, et al. Il processo decisionale sotto incertezza: teoria e applicazione. 1 edizione. Cambridge, Massachusetts: The MIT Press; 2015. 352 p.
Apprendimento di rinforzo multi-agente
Buşoniu L, Babuška R, Schutter BD. Apprendimento di rinforzo multi-agente: una panoramica. In: Srinivasan D, Jain LC, editori. Innovazioni nei sistemi e nelle applicazioni multi-agente - 1. Springer Berlin Heidelberg; 2010 p. 183-221. Disponibile da: http://link.springer.com/chapter/10.1007/978-3-642-14435-6_7
Schwartz HM. Apprendimento automatico multi-agente: un approccio di rinforzo. Hoboken, New Jersey: Wiley; Il 2014.
Video / Corsi
Suggerirei anche il corso David Silver su YouTube: https://www.youtube.com/playlist?list=PL5X3mDkKaJrL42i_jhE4N-p6E2Ol62Ofa
Le mie lezioni preferite sull'apprendimento per rinforzo sono quelle di Andrew Ng nel corso di Stanford su ML CS229:
Note di apprendimento di Reiforcment Stanford CS229
Puoi anche scaricare i video delle lezioni su iTunes. O su YouTube, iniziano dal seguente link: