2008年刊の名著『強くなるロボティック・ゲームプレイヤーの作り方』がプレミアムブックス版として2016年に復刊。C++でロボット／ゲームAIに強化学習を実装する実践書です。著者は八谷大岳・杉山将。紙版・電子版あり、サンプルコードはマイナビのサポート/商品ページから入手できます（発売日：2016/06/08、ISBN：978-4-8399-5673-8）。
強くなるロボティック・ゲームプレイヤーの作り方 プレミアムブックス版 ~実践で学ぶ強化学習~
- C++によるロボット強化学習
- サンプルソースのダウンロードはこちら
追記：よくある質問（FAQ）
- Q. 復刊で内容は変わりましたか？
- A. 基本内容は2008年版と同一で、プレミアムブックスとして再刊されています。
- Q. 使用言語は？ Pythonでも学べますか？
- A. 本書の実装はC++中心です。概念は他言語にも応用できますが、サンプルはC++です。
- Q. サンプルコードはどこで入手できますか？
- A. 出版社の商品/サポートページからダウンロードできます（販売サイトの案内を参照）。
- Q. 電子版（eBook）はありますか？
- A. あります。販売状況は各ストア（出版社サイト、Amazon等）でご確認ください。
- Q. どんな人に向いていますか？
- A. C++で強化学習を実装してみたい初中級者〜実務者、ロボット制御やゲームAIに関心のある方。
- Q. 具体的に何が学べますか？
- A. 強化学習の基礎からアルゴリズム、ロボット/ゲームエージェントへの実装手順までを通しで学べます。
- Q. 事前に必要な知識・環境は？
- A. C++の基礎、確率・線形代数・微積の初歩。標準的なC++コンパイラ/IDE（GCC/Clang/Visual Studio等）。
- Q. 価格や在庫は？
- A. 変動するため、最新情報は出版社ページや通販サイトでご確認ください。
主要トピック（各1行）
-
MDP：状態・行動・遷移・報酬で問題を定式化する土台。
-
動的計画法：モデル既知前提で価値・方策を反復更新して最適化。
-
モンテカルロ：エピソード平均で価値推定。モデル不要・高分散。
-
TD学習：1歩先の推定でブートストラップ更新。オンラインに向く。
-
SARSA：実行中の方策で更新するオンポリシー。安全寄り。
-
TD(λ)：エリジビリティ痕跡で多段のTD誤差を混合。
-
Q学習：max行動で更新するオフポリシー。理論収束性が強い。
-
近似（線形/カーネル）：特徴表現で連続空間の価値関数を近似。
-
政策勾配：方策を確率分布として直接最適化（REINFORCE等）。
代表課題
-
三目並べ：離散・完全情報で基礎検証に最適。
-
Mountain Car：連続状態で谷脱出。探索設計がカギ。
-
Acrobot：二重振子のスイングアップ。制御系の定番難題。
-
