Reinforcement Learning: Aplicații industriale ale agenților inteligenți

Recenzii ale cititorilor

Cartea oferă o combinație de perspective academice și aplicații practice pentru învățarea prin consolidare. Cu toate acestea, ea suferă de greșeli grave de scriere, de o calitate inferioară a imprimării și de o lipsă de claritate în ceea ce privește publicul său țintă. Mulți recenzenți au considerat-o prea academică pentru începători și nu suficient de practică pentru aplicarea directă în industrie.

Amestec excelent de academie și industrie, perspective utile pentru cazuri practice de utilizare, stare bine primită la livrare.

Grave greșeli de scriere în ecuațiile centrale, calitate slabă a imprimării alb-negru, public țintă neclar, nu are suficientă claritate și caracter practic, prea academic pentru începători.

(pe baza a 5 recenzii ale cititorilor)

Titlul original:

Reinforcement Learning: Industrial Applications of Intelligent Agents

Conținutul cărții:

Învățarea prin consolidare (Reinforcement Learning - RL) va reprezenta una dintre cele mai mari descoperiri în domeniul inteligenței artificiale în următorul deceniu, permițând algoritmilor să învețe din mediul lor pentru a atinge obiective arbitrare. Această evoluție interesantă evită constrângerile întâlnite în algoritmii tradiționali de învățare automată (ML). Această carte practică arată profesioniștilor din domeniul științei datelor și al IA cum să învețe prin consolidare și să permită unei mașini să învețe singură.

Autorul Phil Winder de la Winder Research acoperă totul, de la elementele de bază până la practicile de ultimă oră. Veți explora starea actuală a RL, vă veți concentra pe aplicații industriale, veți învăța numeroși algoritmi și veți beneficia de capitole dedicate implementării soluțiilor RL în producție. Aceasta nu este o carte de bucate; nu se ferește de matematică și se așteaptă la familiaritate cu ML.

⬤ Învățați ce este RL și cum algoritmii ajută la rezolvarea problemelor.

⬤ Deveniți familiarizați cu fundamentele RL, inclusiv procesele decizionale Markov, programarea dinamică și învățarea diferențelor temporale.

⬤ Explorați în profunzime o gamă de metode de gradient de valoare și de politică.

⬤ Aplicați soluții avansate de RL, cum ar fi metaînvățarea, învățarea ierarhică, învățarea multi-agent și imitarea.

⬤ Înțelegeți algoritmii RL profunzi de ultimă oră, inclusiv Rainbow, PPO, TD3, SAC și altele.

⬤ Obțineți exemple practice prin intermediul site-ului web însoțitor.