Algoritmi de învățare prin întărire cu Python

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 12 voturi.

Titlul original:

Reinforcement Learning Algorithms with Python

Conținutul cărții:

Dezvoltați algoritmi și agenți de autoînvățare utilizând TensorFlow și alte instrumente, cadre și biblioteci Python Caracteristici cheie Învățați, dezvoltați și implementați algoritmi avansați de învățare prin întărire pentru a rezolva o varietate de sarcini Înțelegeți și dezvoltați algoritmi fără model și pe bază de model pentru a construi agenți de autoînvățare Lucrați cu concepte și algoritmi avansați de învățare prin întărire, cum ar fi învățarea prin imitație și strategiile de evoluție Descrierea cărții

Reinforcement Learning (RL) este o ramură populară și promițătoare a inteligenței artificiale care implică realizarea de modele și agenți mai inteligenți care pot determina automat comportamentul ideal pe baza cerințelor în schimbare. Această carte vă va ajuta să stăpâniți algoritmii RL și să înțelegeți implementarea lor pe măsură ce construiți agenți de învățare automată.

Începând cu o introducere în instrumentele, bibliotecile și configurația necesare pentru a lucra în mediul RL, această carte acoperă elementele de bază ale RL și se adâncește în metodele bazate pe valoare, cum ar fi aplicarea algoritmilor Q-learning și SARSA. Veți învăța cum să utilizați o combinație de Q-learning și rețele neuronale pentru a rezolva probleme complexe. În plus, veți studia metodele gradientului de politică, TRPO și PPO, pentru a îmbunătăți performanța și stabilitatea, înainte de a trece la algoritmii deterministici DDPG și TD3. Această carte acoperă, de asemenea, modul în care funcționează tehnicile de învățare prin imitație și cum Dagger poate învăța un agent să conducă. Veți descoperi strategiile evolutive și tehnicile de optimizare black-box și veți vedea cum acestea pot îmbunătăți algoritmii RL. În cele din urmă, vă veți familiariza cu abordările de explorare, cum ar fi UCB și UCB1, și veți dezvolta un meta-algoritm numit ESBAS.

Până la sfârșitul cărții, veți fi lucrat cu algoritmi cheie de RL pentru a depăși provocările din aplicațiile din lumea reală și veți face parte din comunitatea de cercetare RL. Ce veți învăța Dezvoltați un agent pentru a juca CartPole utilizând interfața OpenAI Gym Descoperiți paradigma învățării prin consolidare bazată pe model Rezolvați problema lacului înghețat cu programare dinamică Explorați învățarea Q și SARSA în vederea jucării unui joc de taxi Aplicați Deep Q-Networks (DQN) la jocurile Atari utilizând Gym Studiați algoritmii gradientului politicii, inclusiv Actor-Critic și REINFORCE Înțelegerea și aplicarea PPO și TRPO în medii de locomoție continuă Familiarizarea cu strategiile de evoluție pentru rezolvarea problemei landerului lunar Cui se adresează această carte

Dacă sunteți cercetător AI, utilizator de învățare profundă sau oricine dorește să învețe de la zero învățarea prin consolidare, această carte este pentru dvs. De asemenea, veți găsi această carte despre învățarea prin întărire utilă dacă doriți să aflați despre progresele din domeniu. Sunt necesare cunoștințe de lucru de Python. Table of Contents The Landscape of Reinforcement Learning Implementarea RL Cycle și OpenAI Gym Rezolvarea problemelor cu programare dinamică Q learning și SARSA Aplicații Deep Q-Network Learning Optimizare stocastică și DDPG Implementarea TRPO și PPO Aplicații DDPG și TD3 RL bazată pe model Învățarea prin imitație cu algoritmul DAgger Înțelegerea algoritmilor de optimizare Black-Box Dezvoltarea algoritmului ESBAS Implementarea practică pentru rezolvarea provocărilor RL