Algorytmy uczenia się ze wzmocnieniem w Pythonie

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 12 głosach.

Oryginalny tytuł:

Reinforcement Learning Algorithms with Python

Zawartość książki:

Rozwijaj samouczące się algorytmy i agenty przy użyciu TensorFlow i innych narzędzi, frameworków i bibliotek Pythona Kluczowe cechy Poznaj, rozwijaj i wdrażaj zaawansowane algorytmy uczenia się ze wzmocnieniem w celu rozwiązywania różnorodnych zadań Zrozum i rozwijaj algorytmy bezmodelowe i oparte na modelach do budowania samouczących się agentów Pracuj z zaawansowanymi koncepcjami i algorytmami uczenia się ze wzmocnieniem, takimi jak uczenie się przez naśladowanie i strategie ewolucji Opis książki

Reinforcement Learning (RL) to popularna i obiecująca gałąź sztucznej inteligencji, która obejmuje tworzenie inteligentniejszych modeli i agentów, które mogą automatycznie określać idealne zachowanie w oparciu o zmieniające się wymagania. Ta książka pomoże ci opanować algorytmy RL i zrozumieć ich implementację podczas tworzenia samouczących się agentów.

Zaczynając od wprowadzenia do narzędzi, bibliotek i konfiguracji potrzebnych do pracy w środowisku RL, książka ta obejmuje elementy składowe RL i zagłębia się w metody oparte na wartościach, takie jak zastosowanie algorytmów Q-learning i SARSA. Dowiesz się, jak używać kombinacji algorytmów Q-learning i sieci neuronowych do rozwiązywania złożonych problemów. Ponadto poznasz metody gradientu polityki, TRPO i PPO, aby poprawić wydajność i stabilność, zanim przejdziesz do deterministycznych algorytmów DDPG i TD3. W książce omówiono również działanie technik uczenia się przez naśladowanie oraz sposób, w jaki Dagger może nauczyć agenta prowadzenia pojazdu. Odkryjesz strategie ewolucyjne i techniki optymalizacji czarnej skrzynki oraz zobaczysz, jak mogą one ulepszyć algorytmy RL. Wreszcie, zapoznasz się z podejściami eksploracyjnymi, takimi jak UCB i UCB1, i opracujesz meta-algorytm o nazwie ESBAS.

Pod koniec książki będziesz pracować z kluczowymi algorytmami RL, aby sprostać wyzwaniom w rzeczywistych aplikacjach i stać się częścią społeczności badawczej RL. Czego się nauczysz Opracuj agenta do gry CartPole przy użyciu interfejsu OpenAI Gym Odkryj paradygmat uczenia się ze wzmocnieniem oparty na modelach Rozwiąż problem zamarzniętego jeziora za pomocą programowania dynamicznego Poznaj Q-learning i SARSA z myślą o grze w taksówkę Zastosuj Deep Q-Networks (DQNs) do gier Atari przy użyciu Gym Zbadaj algorytmy gradientu polityki, w tym Actor-Critic i REINFORCE Zrozum i zastosuj PPO i TRPO w środowiskach ciągłej lokomocji Zapoznaj się ze strategiami ewolucji w celu rozwiązania problemu lądownika księżycowego Dla kogo jest ta książka?

Jeśli jesteś badaczem sztucznej inteligencji, użytkownikiem głębokiego uczenia się lub kimkolwiek, kto chce nauczyć się uczenia ze wzmocnieniem od podstaw, ta książka jest dla Ciebie. Książka ta będzie również przydatna, jeśli chcesz dowiedzieć się o postępach w tej dziedzinie. Niezbędna jest znajomość języka Python. Spis treści Krajobraz uczenia ze wzmocnieniem Wdrażanie RL Cycle i OpenAI Gym Rozwiązywanie problemów za pomocą programowania dynamicznego Uczenie się Q i aplikacje SARSA Głębokie uczenie się sieci Q Optymalizacja stochastyczna i DDPG Implementacja TRPO i PPO Aplikacje DDPG i TD3 Uczenie się naśladowania RL oparte na modelu za pomocą algorytmu DAgger Zrozumienie algorytmów optymalizacji Black-Box Opracowanie algorytmu ESBAS Praktyczna implementacja rozwiązywania wyzwań RL