bootcamp缺點的問題，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

深度強化式學習

為了解決bootcamp缺點的問題，作者AlexanderZai,BrandonBrown 這樣論述：

　　深度強化式學習 (Deep Reinforcement Learning, DRL)，就是將深度學習與強化式學習結合的技術。要讓 AI 應用落地，DRL 是必不可缺的技術。近期由兩位劍橋大學博士所帶領的 Wayve 團隊就利用了 DRL 技術，開發出可以自行從新環境中學習的自動駕駛技術，取代以往完全仰賴感測器的做法。除此之外，工廠內的自動化機器人, 或是打敗世界棋王的 AlphaGo 等，背後運作的演算法也都與 DRL 息息相關。   　　然而 DRL 的演算法五花八門，讓人看了眼花繚亂。事實上，它們都是為了應付各式各樣的任務而發展出來的改良版本，其核心概念的差異不大，都是立足於 DR

L 最基本的 DQN (Deep Q-Network) 之上。因此本書會花費較多的篇幅，一步步帶您把 DQN 的架構完全摸透，並時時提點各個技術細節的重點，讓您可以因應不同的任務或問題，加入適當的技術或技巧來克服，再進一步實作出各種進階的演算法。   　　本書一共分成兩篇：基礎篇及進階篇。在基礎篇中，讀者將學習如何從無到有，建構出自己的第一個RL演算法，並用該演算法來解決多臂拉霸機問題。接著，讀者會認識RL中較為經典的演算法，如DQN、策略梯度法、A2C等。同時，各章節皆搭配數個專案，確保讀者可以在學習理論的過程中，培養實作出演算法的能力，不再只是紙上談兵。   　　在進階篇中，作者將會介紹較

為新穎，也較為複雜的RL演算法。基本上，這些演算法都是以DQN為出發點，再加上特殊的技巧，便能處理現實中的難題。舉個例子，利用平均場DQN，學者們成功模擬出了電子的自旋狀況，進而解決了RL中的多代理人問題。同時，讀者們還將學到如何將attention機制與DQN做結合，進而實作出關聯性DQN（relational DQN），提高演算法的可解釋性。   　　本書提供了完整的學習架構，循序漸進地介紹各種演算法，包括： 　　● Deep Q-Network (DQN) 　　● 策略梯度法（Policy gradient methods） 　　● 優勢值演員-評論家（Advantage Actor-C

ritic, A2C） 　　● 分散式優勢值演員-評論家（Distributional Advantage Actor-Critic, DA2C） 　　● 進化演算法（Evolutionary algorithm） 　　● 分散式DQN（Distributional DQN） 　　● 鄰近Q-Learning（Neighborhood Q-Learning） 　　● 平均場Q-Learning（Mean field Q-Learning） 　　● 關聯性DQN（Relational DQN）   　　除了 RL 相關演算法之外，書中也介紹了近期應用 RL 而發展出來的熱門模型，相信可以提升讀者

的硬實力，其中包括： 　　● 圖神經網路（Graph Neural Network, GNN） 　　● Transformer模型 　　● Attention模型（Attention model）   　　總的來說，本書是最全面、最白話的強化式學習演算法實戰解析。只要您有基本的深度學習知識，並且想要認識強化式學習領域，那麼您就是本書在尋找的合適讀者！    本書特色   　　●囊括各種強化式學習的基礎及進階演算法，學習架構完整 　　●適當地補充數學及統計基礎，必要知識直接回顧，不用東翻西找其他資源 　　●重點整理深度強化式學習的基本架構，打好基礎、再先進的改良模型也看得懂 　　●以日常案例來實

踐 DRL，理解起來事半功倍 　　●利用Python+PyTorch實作各章專案，不會只是紙上談兵 　　●所有程式皆已整理成Colab筆記本，一鍵即可檢驗結果 　　●本書由施威銘研究室監修，內容易讀易懂，並加入大量「編註」與「小編補充」以幫助理解及補充必要知識。

bootcamp缺點進入發燒排行的影片