Bazele învățării de întărire profundă: Teorie și practică în Python

Recenzii ale cititorilor

Cartea este lăudată pentru explicațiile sale clare și abordarea practică a învățării de întărire profundă (DRL), oferind o resursă solidă pentru cititorii care doresc să implementeze algoritmi. Cu toate acestea, criticile evidențiază calitatea slabă a hârtiei, probleme cu ediția Kindle și o dependență de un cadru personalizat care poate descuraja unii cititori.

⬤ Explicații clare și bine structurate ale conceptelor și algoritmilor DRL.
⬤ Resurse practice, inclusiv cod de exemplu și GitHub repo pentru implementare.
⬤ Bun pentru cititori cu diferite niveluri de experiență.
⬤ Acoperirea concisă a subiectelor, ceea ce face ca învățarea să fie ușor de gestionat.
⬤ Util în legarea teoriei de practică, facilitând învățarea practică.

⬤ Calitate slabă a hârtiei și probleme de imprimare raportate, inclusiv miros urât și pagini subțiri.
⬤ Ediția Kindle are probleme de formatare a formulelor care afectează utilitatea.
⬤ Dependență puternică de cadrul personalizat al autorilor (SLM Lab), care poate să nu fie pe placul celor care preferă exemple de codificare mai universale.
⬤ Unele exemple sunt învechite, necesitând cititorilor să adapteze codul pentru a funcționa cu biblioteci actualizate.

(pe baza a 27 recenzii ale cititorilor)

Titlul original:

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

Conținutul cărții:

Introducerea contemporană în învățarea profundă a armăturilor care combină teoria și practica

Învățarea prin consolidare profundă (deep RL) combină învățarea profundă și învățarea prin consolidare, în care agenții artificiali învață să rezolve probleme secvențiale de luare a deciziilor. În ultimul deceniu, deep RL a obținut rezultate remarcabile într-o serie de probleme, de la jocuri single și multiplayer - cum ar fi Go, jocuri Atari și DotA 2 - până la robotică.

Foundations of Deep Reinforcement Learning este o introducere la deep RL care combină în mod unic atât teoria, cât și implementarea. Începe cu intuiția, apoi explică cu atenție teoria algoritmilor de RL profundă, discută implementările în biblioteca software SLM Lab și se termină cu detaliile practice ale punerii în aplicare a RL profundă.

Acest ghid este ideal atât pentru studenții la informatică, cât și pentru inginerii software care sunt familiarizați cu conceptele de bază ale învățării automate și au o înțelegere practică a Python.

⬤ Înțelegeți fiecare aspect cheie al unei probleme deep RL.

⬤ Explorați algoritmi bazați pe politici și valori, inclusiv REINFORCE, SARSA, DQN, Double DQN și Prioritized Experience Replay (PER)

⬤ Explorați algoritmii combinați, inclusiv Actor-Critic și Proximal Policy Optimization (PPO)

⬤ Înțelegeți cum algoritmii pot fi paralelizați sincron și asincron.

⬤ Executați algoritmi în SLM Lab și aflați detaliile practice de implementare pentru punerea în funcțiune a deep RL.

⬤ Explorați rezultatele de referință ale algoritmilor cu hiperparametri reglați.

⬤ Înțelegeți cum sunt proiectate mediile deep RL.

Înregistrați-vă cartea pentru acces convenabil la descărcări, actualizări și/sau corecții, pe măsură ce acestea devin disponibile. Consultați interiorul cărții pentru detalii.