機械学習スタートアップシリーズ　Pythonで学ぶ強化学習　入門から実践まで

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 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