Deep Reinforcement Learning Hands-On: Aplicați metode moderne RL, cu rețele Q profunde, iterație de valori, gradienți de politică, TRPO, AlphaGo Zero și multe altele

Recenzii ale cititorilor

Cartea este un ghid practic foarte apreciat privind învățarea prin consolidare profundă, îmbinând teoria cu exemple de cod practice. Mulți cititori îi apreciază claritatea, organizarea și capacitatea autorului de a face accesibile concepte complexe. Cu toate acestea, unele critici menționează o lipsă de profunzime în explicațiile teoretice și unele inexactități în definiții.

⬤ Ușor accesibil și bine scris, adresându-se atât începătorilor, cât și celor cu cunoștințe anterioare în domeniu.
⬤ Exemple de cod detaliate care sporesc înțelegerea conceptelor.
⬤ Excelentă pentru aplicații practice cu biblioteci și tehnici recente.
⬤ Oferă explicații clare ale conceptelor teoretice.
⬤ Foarte recomandat pentru oricine este interesat de Reinforcement Learning.

⬤ Unii cititori notează inexactități, cum ar fi definiția tensorilor.
⬤ Nu este suficient de profund în teoria matematică pentru cei care caută prezentări aprofundate.
⬤ Necesită resurse suplimentare pentru a înțelege pe deplin anumite concepte.
⬤ Unele exemple pot duce la confuzie și necesită cercetări suplimentare.

(pe baza a 44 recenzii ale cititorilor)

Titlul original:

Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more

Conținutul cărții:

Nota editorului: Această ediție din 2018 este învechită și nu este compatibilă cu niciuna dintre cele mai recente actualizări ale bibliotecilor Python. O nouă ediție a treia, actualizată pentru 2020 cu șase capitole noi care includ metode multi-agent, optimizare discretă, RL în robotică și tehnici avansate de explorare este acum disponibilă.

Acest ghid practic vă va învăța cum poate fi utilizată învățarea profundă (DL) pentru a rezolva probleme complexe din lumea reală.

Caracteristici principale

⬤ Explorați deep reinforcement learning (RL), de la primele principii la cei mai noi algoritmi.

⬤ Evaluați metodele RL de profil înalt, inclusiv iterația valorii, rețelele Q profunde, gradienții de politică, TRPO, PPO, DDPG, D4PG, strategiile de evoluție și algoritmii genetici.

⬤ Să fiți la curent cu cele mai recente evoluții din industrie, inclusiv chatbots conduse de AI.

Descrierea cărții

Deep Reinforcement Learning Hands-On este un ghid cuprinzător pentru cele mai recente instrumente DL și limitările lor. Veți evalua metode, inclusiv Cross-entropy și gradienți de politică, înainte de a le aplica în medii din lumea reală. Abordați atât setul Atari de jocuri virtuale, cât și jocurile preferate de familie, cum ar fi Connect4.

Cartea oferă o introducere la elementele de bază ale RL, oferindu-vă cunoștințele necesare pentru a codifica agenți inteligenți de învățare care să se ocupe de o gamă formidabilă de sarcini practice. Descoperiți cum să implementați învățarea Q în medii de tip "grid world", să vă învățați agentul să cumpere și să tranzacționeze acțiuni și să aflați cum modelele de limbaj natural conduc la boom-ul chatbots.

Ce veți învăța

⬤ Înțelegeți contextul DL al RL și implementați modele DL complexe.

⬤ Învățați fundamentul RL: procesele decizionale Markov.

⬤ Evaluați metodele RL, inclusiv Cross-entropy, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG și altele.

⬤ Descoperiți cum să vă ocupați de spațiile de acțiune discrete și continue în diverse medii.

⬤ Învingeți jocurile arcade Atari folosind metoda iterației valorii.

⬤ Crearea propriului mediu OpenAI Gym pentru a antrena un agent de tranzacționare a acțiunilor.

⬤ Învățați-vă agentul să joace Connect4 folosind AlphaGo Zero.

⬤ Explorați cele mai recente cercetări deep RL pe teme care includ chatbots AI-driven.

Pentru cine este această carte

Se presupune o anumită fluență în Python. Abordările de bază ale învățării profunde (DL) ar trebui să fie familiare cititorilor și o anumită experiență practică în DL va fi utilă. Această carte este o introducere în învățarea profundă de întărire (RL) și nu necesită cunoștințe de bază în RL.