در عصر هوش مصنوعی، یکی از بزرگ‌ترین چالش‌ها، طراحی عامل‌هایی است که قادر به عمل در محیط‌های پویا و ناشناخته به‌طور مستقل و هوشمندانه باشند. یادگیری تقویتی عمیق (DRL) پلی است که این رویا را به واقعیت تبدیل می‌کند؛ جایی که قدرت شبکه‌های عصبی عمیق با چارچوب استراتژیک یادگیری تقویتی ترکیب می‌شود. این رویکرد به‌منظور غلبه بر محدودیت‌های روش‌های سنتی توسعه یافته است؛ محدودیت‌هایی که در مواجهه با فضاهای حالت و عمل بسیار بزرگ، مانند بازی‌های ویدئویی، رباتیک و بازارهای مالی خود را نشان می‌دهند. DRL به سیستم‌ها این امکان را می‌دهد تا با تقلید از نحوه یادگیری انسان، بهترین سیاست‌های بلندمدت را کشف کنند. امروزه این حوزه مرزهای دانش را در زمینه‌هایی چون خودروهای خودران، سیستم‌های توصیه پیشرفته، مدیریت انرژی و بازی‌های هوش مصنوعی سطح جهانی گسترش داده است. این کتاب ابزارها و دانش لازم را به شما ارائه می‌دهد تا آینده‌ی هوش مصنوعی را شکل دهید و به ماشین‌ها بیاموزید که چگونه به‌طور مستقل یاد بگیرند و تصمیم‌گیری کنند.

فصل اول - آشنایی با یادگیری تقویتی و کاربردهای آن / 15

فصل دوم - مروری کاربردی بر ریاضیات مورد نیاز در یادگیری تقویتی / 25

فصل سوم - مبانی یادگیری ماشین و یادگیری عمیق / 37

فصل چهارم - مدل سازی ریاضی یادگیری تقویتی / 50

فصل پنجم - الگوریتم های پایه در یادگیری تقویتی / 62

فصل ششم - آشنایی عملی با محیط های یادگیری تقویتی / 93

فصل هفتم - شبکه های عصبی در یادگیری تقویتی / 107

فصل هشتم - یادگیری Q با شبکه های عصبی / 126

فصل نهم - نسخه های پیشرفته DQN ( بهبود پایداری و کارآیی یادگیری ) / 157

فصل دهم - الگوریتم های سیاست محور / 207

فصل یازدهم - یادگیری تقویتی عمیق در فضای پوسته - مبانی بازیگر - نقاد / 266

فصل دوازدهم - سیاست های تصادفی و قطعی در فضای پیوسته / 313

فصل سیزدهم - الگوریتم های پیشرفته RL در فضای پیوسته / 336

فصل چهاردهم - یادگیری تقویتی چند عاملی / 377

فصل پانزدهم - تنظیم پارامترها و پایدارسازی آموزش / 394

فصل شانزدهم - ارزیابی و تحلیل عملکرد عامل یادگیرنده / 434

فصل هفدهم - افزایش کارآیی و اجرای صنعتی با ابزارهای مدرن RL / 453

فصل هیجدهم - ملاحظات اخلاقی ، ایمنی و توضیح پذیری در RL / 476

فصل نوزدهم - پیوست ها / 507