书籍介绍
一本让读者又爱又恨的强化学习入门书，争议恰恰是它最真实的价值。它最大的亮点是PPO等核心算法讲得清晰：既有直觉、又有理论，既不堆砌公式，也不空谈高概念，逻辑推进自然，被不少读者读得“爱不释手”。它适合想快速摸到RL门槛、看重配套代码与插图的入门者。但它的短板同样刺眼：缺少顺畅的主线，章节间跳跃、重复不少；推导不够详尽，表述与逻辑严谨性有欠缺，不少流行模型也未能覆盖。因此它更像一块“垫脚石”而非“终点站”——想系统啃原理的人，最终仍会转向Sutton的经典。若你清楚它的定位，它会是你入门路上性价比很高的一位向导。
作者简介
王琦
中国科学院大学硕士在读，Datawhale成员。主要研究方向为深度学习、数据挖掘。曾获中国大学生计算机设计大赛二等奖、亚太地区大学生数学建模竞赛 （APMCM）二等奖和“挑战杯”全国竞赛江苏省选拔赛二等奖，发表 SCI/EI 论文3篇。
杨毅远
清华大学硕士在读， Datawhale成员。主要研究方向为时空数据挖掘、智能传感系统、深度学习。曾获全国大学生智能汽车竞赛总冠军、中国国家奖学金，发表SCI/EI论文7篇，其中以第一作者身份在SCI的Q1区、Q2区及中国计算机学会（CCF）A、B类会议中发表论文4篇。
江季
北京大学硕士在读， Datawhale成员。主要研究方向为强化学习、机器人。曾获大学生电子设计竞赛——2018年嵌入式系统专题邀请赛（英特尔杯）一等奖，发表顶会论文1篇、专利2项。
精彩摘录
- "强化学习（reinforcement learning，RL）讨论的问题是智能体（agent）怎 么在复杂、不确定的环境（environment）里面去最大化它能获得的奖励。如图 1.1 所示，强化学习由两部分组成：智能体和环境。在强化学习过程中，智能体与环 境一直在交互。智能体在环境里面获取某个状态后，它会利用该状态输出一个动 作（action），这个动作也称为决策（decision）。然后这个动作会在环境之中被执 行，环境会根据智能体采取的动作，输出下一个状态以及当前这个动作带来的奖 励。智能体的目的就是尽可能多地从环境中获取奖励。"
目录
用户评论
本人某985在读博士，Easy RL是本人接触的RL教程里很良心的书籍，市面上的RL的质量参差不齐，RL作为当下最热门的机器学习方向，该书详解了从强化学习的MDP的定义，离散动作DQN，AC框架，到连续控制DDPG等各个算法，比较适合初学者入门上手。非常推荐！
总结李宏毅、周博磊、李科浇三位老师公开课的精华，并进行优化补充，比较好的强化学习入门教材
从入门强化学习开始就一直关注的Easy RL终于出纸质版了！该书从最基本的强化学习结构讲起，阐述解决问题的MDP模型，从基于价值的表格型（Q,SARSA），基于策略的（REINFORCE等），再到引入深度学习（DQN，DDQN，Dule DQN等），以及AC框架下的系列算法，构建了一个清晰完好的知识结构。其次各个章节都提供了相应的问题和解决办法，更包含了面试常见问题，使得本书兼具理论性和实用性。阅读本书对于需要用到RL来解决问题的人员势必会取得事半功倍的效果。
这是我看过的关于RL的讲的最详细最易懂的中文教程。
此书理论讲解清晰简洁，同时配有代码的实现，非常适合刚入门强化学习的同学。亦可配合相关课程进行使用，是一本好书
强化学习这本书相信大家无论我推荐与否都是耳熟能详的
书讲的很详细印刷也非常好，
研究生上课用的教材平时买来看看也很棒
王琦博士的蘑菇书集合了目前主流的教学案例，内容丰富多彩、讲授形式多样化，适用于初学者入门、进阶者深入学习、高手回顾总结；是一本难的计算机专业类书籍，初读此书被丰富多彩的图片所吸引，重读此书被深刻的专业知识所震撼，感觉这是一本难的好书，墙裂推荐收藏阅读。
内容深入浅出，文笔流畅，强化学习方向非常好的资料
每个章节都清晰罗列出来，很方便大家阅读，也可以当作宝典来学习。
确实是“学霸笔记”，三门课程揉出来一本，CS方向用来入门是可以的。但这肯定不是一本严谨的“书”，草草翻过就会发现许多前后定义不一致，符号不统一的情况。理论推导只抄了每门课最浅显的地方。大量配图都是从别的书上切下来的，不知道版权是怎么解决的。。但是如果不愿意看英文材料还是能看的，毕竟RL书中译本一个赛一个的烂。
下载
收藏