决策用强化与系统性机器学习

书籍目录

译者序

原书前言

原书致谢

关于作者

第1章强化与系统性机器学习1

11简介1

12监督学习、无监督学习、半监督学习和强化学习1

13传统机器学习方法和机器学习发展历史3

14什么是机器学习？6

15机器学习问题6

151学习的目标6

16学习模式7

17机器学习技术和范例9

18什么是强化学习？11

19强化函数和环境函数12

110强化学习的需求13

111强化学习和机器智能14

112什么是系统学习？14

113什么是系统性机器学习？15

114系统性机器学习的重点15

115强化性机器学习和系统性机器学习16

116车辆检测问题的案例研究16

117小结16

参考文献17

第2章全系统原理、系统性和多视角的机器学习18

21简介18

211什么是系统性学习？19

212历史20

22什么是系统性机器学习？21

221基于事件的学习21

23广义系统性机器学习框架23

231系统定义24

24多视角决策和多视角学习26

241基于完整信息的表示32

242基于部分信息的表示32

243单视角决策方案图32

244双重视角决策方案图32

245多视角决策方案图32

246定性信念网络和影响图33

25动态和交互式决策33

251交互决策图33

252决策图和影响图中时间的角色34

253系统性视角的建立34

254信息整合35

255建立典型决策方案图35

256受限信息35

257多决策者系统在系统性学习中的角色35

26系统性学习框架39

261数学模型39

262系统性学习的方法39

263自适应系统性学习40

264系统性学习框架41

27系统分析41

28案例学习：在酒店行业中需要系统性学习43

29小结44

参考文献44

第3章强化学习45

31简介45

32学习决策者48

33回报和奖励的计算50

331方案和连续任务50

34强化学习和自适应控制51

35动态系统54

351离散事件动态系统54

36强化学习和控制55

37马尔科夫性质和决策过程55

38价值函数56

381行动和价值56

39学习最优策略（有模型和无模型法）57

310动态规划57

3101动态系统性质57

311自适应动态规则58

3111时间差分学习59

3112Q学习60

3113统一的视图60

312范例——拳击训练器的强化学习61

313小结61

参考文献61

第4章系统性机器学习和模型62

41简介62

42系统学习的框架63

421影响空间64

422交互作用为中心的模型69

423以结果为中心的模型69

43捕捉系统视图70

44系统交互的数学表达73

45影响函数74

46决策影响分析74

461时空界限75

47小结80

第5章推理和信息集成82

51简介82

52推理机制和需要83

521情景推理85

522推理确定影响85

53情景和推理的集成88

54统计推理和归纳91

541直接推理91

542间接推理91

543信息推理91

544归纳92

55纯似然方法92

56贝叶斯范例推理93

561贝叶斯定理93

57基于时域推理93

58推理建立系统观点94

581信息集成94

59小结96

参考文献97

第6章自适应学习98

61简介98

62自适应学习和自适应系统98

63什么是自适应机器学习101

64基于方案的适应性和学习方法101

641动态适应性和情景感知的学习102

65系统学习和自适应学习104

651多学习器的使用105

652系统自适应机器学习108

653自适应应用的设计110

654自适应学习的需要和适应的原因111

655适应类型112

656自适应框架114

66竞争学习和自适应学习115

661适应性函数116

662决策网络118

663自适应学习方案119

67范例120

671案例研究：基于自适应学习的文本120

672自适应学习的文档挖掘121

68小结122

参考文献122

第7章多视角和全局系统性的学习123

71简介123

72多视角方案构建124

73多视角决策和多视角学习126

731视角结合126

732影响图和部分方案决策表示图127

733表示决策方案图（RDSD）130

734范例：部分方案决策表示图（PDSRD）表示的不同视角获取的城市信息131

74全局系统性学习和多视角途径134

741分散信息整合135

742多视角和全局系统知识表示135

743什么是多视角方案？135

744特定方案136

75基于多视角途径的案例研究136

751交通控制器用多视角途径137

752情感检测用多视角途径模型138

76多视角方法的局限性143

77小结143

参考文献144

第8章增量学习和知识表示145

81简介145

82为什么增量学习？146

83学习已经学会的147

831绝对增量学习148

832选择增量学习149

84监督增量学习157

85增量无监督学习和增量聚类158

851增量聚类：任务160

852增量聚类：方法161

853阈值161

86半监督增量学习162

87增量与系统性学习163

88增量接近值和学习方法164

881增量学习方法1165

882增量学习方法2166

883计算C值增量166

89学习与决策模型169

810增量分类技术169

811案例分析：增量文档分类170

812小结171

第9章知识增长：机器学习的视角173

91简介173

92短暂的历史和相关工作174

93知识增长和知识启发178

931策略使用进行知识启发178

932基于目标的知识启发179

933基于过程的知识启发179

94生命周期180

941知识水平181

942直接知识181

943间接知识182

944程序知识182

945问题182

946决策182

947知识生命周期183

95增量知识表达184

96案例学习和遗忘学习186

97知识的扩充：技术和方法187

971知识增量技术187

972知识增量方法188

973提取知识的机制189

98启发式学习190

99系统性机器学习和知识获取190

991全方位知识获取191

992系统知识管理和先进的机器学习192

910在复杂环境下的知识增量193

911案例研究193

9111银行案例研究193

9112软件开发公司194

9113杂货集市/零售集市195

912小结195

参考文献196

第10章构建学习系统197

101简介197

102系统性学习系统197

1021学习单元199

1022知识库200

1023性能单元200

1024反馈单元200

1025允许测量的系统200

103算法选择201

1031k近邻（kNN）201

1032支持向量机（SVM）202

1033质心法202

104知识表示203

1041实用方案和案例研究203

105学习系统的设计204

106让系统表现得更智能204

107案例学习205

108整体知识框架和强化学习的应用205

1081智能算法的选择207

109智能决策——部署和知识采集以及重用208

1010基于案例的学习：人体情感检测系统209

1011复杂决策问题的整体视角211

1012知识表示和资源查找213

1013组件215

10131范例215

1014学习系统和智能系统的未来216

1015小结217

附录218

附录A统计学习方法218

A1概率218

A11互斥事件218

A12独立事件218

A2贝叶斯分类219

A21朴素贝叶斯分类220

A22贝叶斯分类器的优点和缺点221

A3回归221

A31线性222

A32非线性222

A33回归的其他方法222

A4粗糙集223

A41不可分辨关系223

A42集近似224

A43边界区域224

A44粗糙集和清晰集224

A45约简224

A46可有可无和不可缺少的属性224

A5支持向量机224

参考文献225

附录B马尔科夫过程225

B1马尔科夫过程225

B11案例226

B12解决步骤226

B13长期227

B14马尔科夫过程示例228

B2半马尔科夫过程231

B21建议231

B22验证232

B23推论232

作者简介

机器学习是人工智能领域中一个极其重要的研究方向。强化学习是机器学习中的一个重要分支。作为解决序贯优化决策的有效方法，强化学习有效地应用于计算科学、自动控制、机器人技术等各个领域。

当前，强化学习的核心任务是提高学习效率，本书就是针对此问题展开的。第1章介绍系统概念和增强机器学习，它建立了一个突出的相同的机器学习系统范例；第2章将更多关注机器学习的基本原理和多视角学习；第3章关于强化学习；第4章处理机器学习系统和模型建立的问题；决策推理等重要的部分将在第5章展开；第6章讨论了自适应机器学习；第7章讨论了多视角和全局系统性机器学习；第8章讨论了增量学习的需要和知识表示；第9章处理了知识增长方面的问题；第10章讨论了学习系统的建立。

本书适合于机器学习、自动化技术、人工智能等方面的相关专业教师与研究生阅读，也可供自然科学和工程领域相关研究人员参考。

 决策用强化与系统性机器学习下载