强化学习(RL)是人工智能的一个流行和有前途的分支，它涉及建立更智能的模型和代理，这些模型和智能体可以根据不断变化的需求自动确定理想的行为。本书将帮助你掌握RL算法，并在构建自学习智能体时理解它们的实现。
从介绍强化学习环境中工作所需的工具、库和设置开始，本书涵盖了强化学习的构建模块，并深入研究了基于值的方法，如Q-learning和SARSA算法的应用。您将学习如何使用Q学习和神经网络的组合来解决复杂问题。此外，在学习DDPG和TD3确定性算法之前，我们还将学习策略梯度方法TRPO和PPO，以提高性能和稳定性。本书还介绍了模仿学习技术的工作原理，以及Dagger如何教会智能体驾驶。您将发现进化策略和黑盒优化技术，并了解它们如何改进RL算法。最后，你将学习探索方法，如UCB和UCB1，并开发一个名为ESBAS的元算法。
读完本书后，你将使用关键的强化学习算法来克服现实应用中的挑战，并成为强化学习研究社区的一员。