內容介紹 人工智慧的發展就是要讓電腦具備獨立思考的能力，而強化式學習(Reinforcement Learning)就是訓練 AI 如何決策的一套方法，是最具產業發展潛力的熱門技術，可以有效解決生活中許多難以突破的問題，包括產業自動化、自動駕駛、電玩競技遊戲以及機器人等。 Deepmind 將強化式學習應用於開發圍棋 AI 上，打造出 AlphaGo，並連續擊敗李世乭、柯潔等世界第一流的圍棋高手，這段情節想必你並不陌生。而接續發展出來的 AlphaZero 不僅實力更強大，而且不侷限於單一棋類，可以從零開始訓練、不需要人類棋譜，被視為是 AGI 通用式人工智慧，震撼了整個 AI 產業界。 以強化式學習為主幹的 AlphaZero 雖然備受矚目，但對於多數讀者而言，要讀懂 AlphaZero 的論文並不容易，而且論文中並未公開程式碼，紙上談兵就要了解相關細節實在難如登天，本書將透過實作帶您揭開 AlphaZero 神秘的面紗。不用棋譜 (訓練資料) 怎麼進行訓練？強化式學習在 AlphaZero 扮演甚麼角色？為甚麼一套演算法可以適用不同規則的棋類或遊戲？論文沒有講清楚的都在這裡！ 在這本書中，你將學到： ● 從深度學習開始，打下紮實基礎，包括 Artificial Neural Network、CNN、ResNet。 ● 各類強化式學習演算法的精髓，包括：ϵ-Greedy、UCB1、Policy Gradient、Q-Learning、SARSA、Deep Q-Network (DQN)。 ● 理解人工智慧中做出最優決策的方法 - 賽局樹演算法，包括 Minimax Algorithm、Alpha-beta Pruning、Monte Carlo method、Monte Carlo tree search。 ● 用 Python 實作 AGI 通用演算法 - AlphaZero，只需修改規則就能稱霸井字遊戲、四子棋、黑白棋、動物棋等不同遊戲。 目錄 第1章 AlphaZero 與機器學習概要 1-0 AlphaGo、AlphaGo Zero 與 AlphaZero 1-1 深度學習基礎 1-2 強化式學習基 1-3 賽局樹演算法基礎 第2章 準備 Python 開發環境 2-0 Google Colab 之概要 2-1 Google Colab 的使用方法 2-2 建構本地端的 Python 開發環境 第3章 深度學習 3-0 利用神經網路進行手寫數字辨識 3-1 利用神經網路預測住宅價格 3-2 利用卷積神經網路(CNN)進行影像辨識 3-3 利用殘差網路 (ResNet) 進行影像辨識 第4章 強化式學習 4-0 多臂拉霸機範例 4-1 利用策略梯度法 (Policy Gradient) 進行迷宮遊戲 4-2 利用 Sarsa 與 Q - Learning 進行迷宮遊戲 4-3 利用 Deep Q-Network 遊玩木棒平衡台車 第5章 賽局樹演算法 5-0 利用 Minimax 演算法進行井字遊戲 5-1 利用 Alpha-beta 剪枝進行井字遊戲 5-2 利用蒙地卡羅法進行井字遊戲 5-3 利用蒙地卡羅樹搜尋法進行井字遊戲 第6章 AlphaZero 的機制 6-0 利用 Tic-tac-toe 進行井字遊戲 6-1 對偶網路 6-2 策略價值蒙地卡羅樹搜尋法 6-3 自我對弈模組 6-4 訓練模組 6-5 評估模組 6-6 評估最佳玩家 6-7 執行訓練循環 第7章 人類與 AI 的對戰 7-0 建立執行 UI 的本機端開發環境 7-1 利用 Tkinter 建立 GUI 7-2 人類與 AI 的對戰 第8章 將 AlphaZero 演算法套用到不同遊戲上 8-0 四子棋 8-1 黑白棋 8-2 動物棋