三大作業系統的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

強化學習：原理與Python實現

為了解決三大作業系統的問題，作者肖智清 這樣論述：

全書分為三個部分。第壹部分瞭解強化學習應用，瞭解強化學習基本知識，搭建強化學習測試環境。該部分包括：強化學習的概況、強化學習簡單示例、強化學習演算法的常見思想、強化學習的應用、強化學習測試環境的搭建。第二部分介紹強化學習理論與深度強化學習演算法。強化學習理論部分：Markov決策過程的數學描述、Monte Carlo方法和時序差分方法的數學理論；深度強化學習演算法部分：詳細剖析全部具有重要影響力的深度強化學習演算法，結合TensorFlow實現源碼。第三部分介紹強化學習綜合應用案例。   肖智清　 強化學習一線研發人員，清華大學工學博士，現就職于全球知名投資銀行。擅長概率統

計和機器學習，於近5年發表SCI/EI論文十餘篇，是多個國際性知名期刊和會議審稿人。在國內外多項程式設計和資料科學競賽上獲得冠軍。 前言 第1章 初識強化學習  1 1.1 強化學習及其關鍵元素  1 1.2 強化學習的應用  3 1.3 智慧體/環境介面  4 1.4 強化學習的分類  6 1.4.1 按任務分類  6 1.4.2 按演算法分類  7 1.5 如何學習強化學習  8 1.5.1 學習路線  9 1.5.2 學習資源  9 1.6 案例：基於Gym庫的智慧體/環境交互  9 1.6.1 安裝Gym庫  10 1.6.2 使用Gym庫  10 1.6.3 小

車上山  12 1.7 本章小結  14 第2章 Markov決策過程  16 2.1 Markov決策過程模型  16 2.1.1 離散時間Markov決策過程  16 2.1.2 環境與動力  18 2.1.3 智能體與策略  19 2.1.4 獎勵、回報與價值函數  19 2.2 Bellman期望方程  21 2.3 最優策略及其性質  25 2.3.1 最優策略與最優價值函數  25 2.3.2 Bellman最優方程  25 2.3.3 用Bellman最優方程求解最優策略  29 2.4 案例：懸崖尋路  31 2.4.1 實驗環境使用  31 2.4.2 求解Bellman期

望方程  32 2.4.3 求解Bellman最優方程  33 2.5 本章小結  35 第3章 有模型數值反覆運算  37 3.1 度量空間與壓縮映射  37 3.1.1 度量空間及其完備性  37 3.1.2 壓縮映射與Bellman運算元  38 3.1.3 Banach不動點定理  39 3.2 有模型策略反覆運算  40 3.2.1 策略評估  40 3.2.2 策略改進  42 3.2.3 策略反覆運算  44 3.3 有模型價值反覆運算  45 3.4 動態規劃  46 3.4.1 從動態規劃看反覆運算演算法  46 3.4.2 非同步動態規劃  47 3.5 案例：冰面滑行 

47 3.5.1 實驗環境使用  48 3.5.2 有模型策略反覆運算求解  49 3.5.3 有模型價值反覆運算求解  51 3.6 本章小結  52 第4章 回合更新價值反覆運算  54 4.1 同策回合更新  54 4.1.1 同策回合更新策略評估  54 4.1.2 帶起始探索的同策回合更新  58 4.1.3 基於柔性策略的同策回合更新  60 4.2 異策回合更新  62 4.2.1 重要性採樣  62 4.2.2 異策回合更新策略評估  64 4.2.3 異策回合更新最優策略求解  65 4.3 案例：21點遊戲  66 4.3.1 實驗環境使用  66 4.3.2 同策策略

評估  67 4.3.3 同策最優策略求解  70 4.3.4 異策策略評估  72 4.3.5 異策最優策略求解  73 4.4 本章小結  74 第5章 時序差分價值反覆運算  76 5.1 同策時序差分更新  76 5.1.1 時序差分更新策略評估  78 5.1.2 SARSA演算法  81 5.1.3 期望SARSA演算法  83 5.2 異策時序差分更新  85 5.2.1 基於重要性採樣的異策演算法  85 5.2.2 Q學習  86 5.2.3 雙重Q學習  87 5.3 資格跡  89 5.3.1 λ回報  89 5.3.2 TD(λ)  90 5.4 案例：計程車調度 

92 5.4.1 實驗環境使用  93 5.4.2 同策時序差分學習調度  94 5.4.3 異策時序差分學習調度  97 5.4.4 資格跡學習調度  99 5.5 本章小結  100 第6章 函數近似方法  101 6.1 函數近似原理  101 6.1.1 隨機梯度下降  101 6.1.2 半梯度下降  103 6.1.3 帶資格跡的半梯度下降  105 6.2 線性近似  107 6.2.1 精確查閱資料表與線性近似的關係  107 6.2.2 線性最小二乘策略評估  107 6.2.3 線性最小二乘最優策略求解  109 6.3 函數近似的收斂性  109 6.4 深度Q學習 

110 6.4.1 經驗重播  111 6.4.2 帶目標網路的深度Q學習  112 6.4.3 雙重深度Q網路  114 6.4.4 對偶深度Q網路  114 6.5 案例：小車上山  115 6.5.1 實驗環境使用  116 6.5.2 用線性近似求解最優策略  117 6.5.3 用深度Q學習求解最優策略  120 6.6 本章小結  123 第7章 回合更新策略梯度方法  125 7.1 策略梯度演算法的原理  125 7.1.1 函數近似與動作偏好  125 7.1.2 策略梯度定理  126 7.2 同策回合更新策略梯度演算法  128 7.2.1 簡單的策略梯度演算法  12

8 7.2.2 帶基線的簡單策略梯度演算法  129 7.3 異策回合更新策略梯度演算法  131 7.4 策略梯度更新和極大似然估計的關係  132 7.5 案例：車杆平衡  132 7.5.1 同策策略梯度演算法求解最優策略  133 7.5.2 異策策略梯度演算法求解最優策略  135 7.6 本章小結  137 第8章 執行者/評論者方法  139 8.1 同策執行者/評論者演算法  139 8.1.1 動作價值執行者/評論者演算法  140 8.1.2 優勢執行者/評論者演算法  141 8.1.3 帶資格跡的執行者/評論者演算法  143 8.2 基於代理優勢的同策演算法  14

3 8.2.1 代理優勢  144 8.2.2 鄰近策略優化  145 8.3 信任域演算法  146 8.3.1 KL散度  146 8.3.2 信任域  147 8.3.3 自然策略梯度演算法  148 8.3.4 信任域策略優化  151 8.3.5 Kronecker因數信任域執行者/評論者演算法  152 8.4 重要性採樣異策執行者/評論者演算法  153 8.4.1 基本的異策演算法  154 8.4.2 帶經驗重播的異策演算法  154 8.5 柔性執行者/評論者演算法  157 8.5.1 熵  157 8.5.2 獎勵工程和帶熵的獎勵  158 8.5.3 柔性執行者/評論

者的網路設計  159 8.6 案例：雙節倒立擺  161 8.6.1 同策執行者/評論者演算法求解最優策略  162 8.6.2 異策執行者/評論者演算法求解最優策略  168 8.7 本章小結  170 第9章 連續動作空間的確定性策略  172 9.1 同策確定性演算法  172 9.1.1 策略梯度定理的確定性版本  172 9.1.2 基本的同策確定性執行者/評論者演算法  174 9.2 異策確定性演算法  176 9.2.1 基本的異策確定性執行者/評論者演算法  177 9.2.2 深度確定性策略梯度演算法  177 9.2.3 雙重延遲深度確定性策略梯度演算法  178 9

.3 案例：倒立擺的控制  180 9.3.1 用深度確定性策略梯度演算法求解  181 9.3.2 用雙重延遲深度確定性演算法求解  184 9.4 本章小結  187 第10章 綜合案例：電動遊戲  188 10.1 Atari遊戲環境  188 10.1.1 Gym庫的完整安裝  188 10.1.2 遊戲環境使用  190 10.2 基於深度Q學習的遊戲AI  191 10.2.1 演算法設計  192 10.2.2 智慧體的實現  193 10.2.3 智能體的訓練和測試  197 10.3 本章小結  198 第11章 綜合案例：棋盤遊戲  200 11.1 雙人確定性棋盤遊戲

  200 11.1.1 五子棋和井字棋  200 11.1.2 黑白棋  201 11.1.3 圍棋  202 11.2 AlphaZero演算法  203 11.2.1 回合更新樹搜索  203 11.2.2 深度殘差網路  206 11.2.3 自我對弈  208 11.2.4 演算法流程  210 11.3 棋盤遊戲環境boardgame2  210 11.3.1 為Gym庫擴展自訂環境  211 11.3.2 boardgame2設計  211 11.3.3 Gym環境介面的實現  214 11.3.4 樹搜索介面的實現  216 11.4 AlphaZero演算法實現  218 1

1.4.1 智慧體類的實現  218 11.4.2 自我對弈的實現  223 11.4.3 訓練智能體  224 11.5 本章小結  225 第12章 綜合案例：自動駕駛  226 12.1 AirSim開發環境使用  226 12.1.1 安裝和運行AirSim  226 12.1.2 用Python訪問AirSim  228 12.2 基於強化學習的自動駕駛  229 12.2.1 為自動駕駛設計強化學習環境  230 12.2.2 智慧體設計和實現  235 12.2.3 智能體的訓練和測試  237 12.3 本章小結  239   強化學習正在改變人類社會的方

方面面：基於強化學習的遊戲AI已經在圍棋、星際爭霸等遊戲上戰勝人類頂尖選手，基於強化學習的控制演算法已經運用于機器人、無人機等設備，基於強化學習的交易演算法已經部署在金融平臺上並取得超額收益。由於同一套強化學習代碼在使用同一套參數的情況下能解決多個看起來毫無關聯的問題，所以強化學習常被認為是邁向通用人工智慧的重要途徑。在此誠邀相關專業人士研究強化學習，以立於人工智慧的時代之巔。 內容梗概 本書介紹強化學習理論及其Python實現，全書分為三個部分。 第1章：介紹強化學習的基礎知識與環境庫Gym的使用，並給出一個完整的程式設計實例。 第2～9章：介紹強化學習的理論和演算法。採用嚴謹的數學

語言，推導強化學習的基本理論，進而在理論的基礎上講解演算法，並為演算法提供配套的Python實現。演算法的講解和Python實現逐一對應，覆蓋了所有主流的強化學習演算法。 第10～12章：介紹多個綜合案例，包括電動遊戲、棋盤遊戲和自動駕駛。環境部分涵蓋Gym庫的完整安裝和自訂擴展，也包括Gym庫以外的環境。演算法部分涵蓋了《自然》 《科學》等權威期刊發表的多個深度強化學習明星演算法。 本書特色 本書完整地介紹了主流的強化學習理論。 全書採用完整的數學體系，各章內容循序漸進，嚴謹地講授強化學習的理論基礎，主要定理均給出證明過程。基於理論講解強化學習演算法，覆蓋了所有主流強化學習演算法，包

括資格跡等經典演算法和深度確定性梯度策略等深度強化學習演算法。 全書採用一致的數學符號，並且與權威強化學習教程（如R. Sutton等的《Reinforce-ment Learning: An Introduction（第2版）》和D. Silver的視頻課程）完美相容。 本書各章均提供Python代碼，實戰性強。 全書代碼統一規範，基於最新的Python 3.7（相容Python 3.6）、Gym 0.12和TensorFlow 2（相容TensorFlow 1）實現強化學習演算法。所有代碼在Windows、macOS和Linux三大作業系統上均可運行，書中給出了環境的安裝和配置方法。

涉及環境全面。第1～9章提供演算法的配套實現，強化學習環境只依賴於Gym的最小安裝，使理論學習免受環境安裝困擾；第10～12章的綜合案例既涵蓋Gym庫的完整安裝和自訂擴展，還包括Gym庫以外的環境，讓讀者體驗更加複雜的強化學習任務。 全書實現對硬體設定要求低。第1～9章代碼在沒有GPU的電腦上也可運行；第10～12章代碼在配置普通GPU的電腦上即可運行。 致謝 在此感謝為本書出版做出貢獻的所有工作人員。其中，機械工業出版社的高婧雅女士是本書的責任編輯，她對本書的寫作提出了很多建設性意見。同時，還要感謝機械工業出版社的其他編輯為提升本書品質所做的大量工作，與他們合作是一個愉快的過程。我

要特別感謝我的父親肖林進和母親許麗平，他們也參與了本書的編寫。同時，還要感謝我的上級、同事和其他親友，他們在本書寫作期間給予我極大的支持。 感謝你選擇本書。祝你學習快樂！  

三大作業系統進入發燒排行的影片

應用QR Code建立雲端行動導覽系統－以彰化孔廟行動導覽為例

為了解決三大作業系統的問題，作者王憶萍 這樣論述：

隨著科技的進步，智慧型手機在台灣日益普及，QR Code的使用也隨處可見，基於以上這兩種理由，本研究提出一個結合QR Code辨識功能的手機導覽系統，透過QR Code 的資訊快速轉換能力，配合智慧型手機的上網功能，能使參訪者立即獲取相關資訊，讓參訪者能透過此快速、方便的行動導覽系統，依照自己想要的導覽順序及步調去進行導覽，十分快速方便。 本研究以彰化孔廟為主題，先架設一個「彰化孔廟行動導覽系統」網站，裡面有相當豐富的彰化孔廟參觀資訊，遊客可利用智慧型手機掃描QR Code並快速解譯，連結到「彰化孔廟行動導覽系統」，隨即進行學習探索的行動導覽活動，各子網頁並建置語音檔，可彌補手

機螢幕不大的缺點，供遊客聆聽導覽，乃一新興的行動導覽方式。 本研究利用Google的雲端協作平台，使用免費且強大的雲端運算服務，來提供迅速的網路服務。這套行動導覽系統能降低系統操作門檻，以網頁為基礎，手機瀏覽器為操作環境，並以彰化孔廟建置行動導覽系統，讓參訪者能選擇自己所想要的導覽順序及步調去進行導覽，而達到行動導覽的目的。 使用此雲端導覽系統，參觀者不需租借設備，可節省租借費用，且能使參觀者在參訪的短時間內，應用人手一機的智慧型手機，透過QR Code快速的訊息轉換，幫助遊客取得導覽資訊，省卻手機輸入網址的繁瑣動作，其系統特性為方便、快速。另外由於資料是放在雲端提供使用者使用，所

以也能輕易解決資料更新的問題，提高資料管理的效率。各參觀景點的管理單位不須派專人解說，可節省人力，且只需印製QR Code條碼，其成本極低，不但能節省導覽人力與經費、減少解說紙本印製、解說牌製作等，可有效的節能減碳，以保護大自然的環境。