目前，我只看这两本书
强化学习：简介，Sutton 和 Barto着：RL 在工程级别上进行了解释（数学，但非数学家可读）。需要来自概率和统计学的基本概念（条件概率、全概率定理、全期望定理等。MIT RES.6-012“概率导论”课程是这些主题的重要信息来源。）。
Deep Reinforcement Learning, Miguel Morales：这本书以比 Sutton 和 Barto 不太正式的方式介绍了强化学习的主要元素（未给出某些方程的推导），并使用示例来描述数学。
您还知道哪些其他强化学习入门书籍，它们如何处理这个主题？
除了你提到的那些，我会添加Csaba Szepesvári的强化学习算法。有许多教授在他们的 RL 教材中使用它作为参考（例如这个）。
它通常遵循与萨顿和巴托的书相同的大纲（除了强盗部分，它包含在控制章节中）。事实上，它可以被认为是 Sutton & Barto 的精简版（约 100 页）。此外，它可以在线免费获得。
我喜欢作者关于他为什么写这本书的理由，所以我只想引用它：
我为什么写这本书？好问题！有很多关于强化学习的非常棒的书籍。那么为什么要出新书呢？我有自私的理由：我想要一本简短的书，其中包含了最先进的 RL 算法背后的主要思想（早在 2010 年），讨论了它们的相对优势和劣势，并暗示了已知的内容（以及不知道，但很高兴知道）这些算法。
深度强化学习的基础：Python 的理论与实践（Addison-Wesley 数据与分析系列）第 1 版
本书没有详细介绍马尔可夫决策过程、不同的贝尔曼方程以及价值函数和动作-价值函数之间的关系等。它侧重于深度强化学习，并直接介绍了使用神经网络的基于策略和价值的算法. 对于试图快速了解深度 RL 算法并应用它们的人来说，这可能是件好事。