Deep Reinforcement Learning Hands-On: Zastosuj nowoczesne metody RL, z głębokimi sieciami Q, iteracją wartości, gradientami polityki, TRPO, AlphaGo Zero i nie tylko

Opinie czytelników

Książka jest wysoko ocenianym praktycznym przewodnikiem po Deep Reinforcement Learning, łączącym teorię z praktycznymi przykładami kodu. Wielu czytelników docenia jej przejrzystość, organizację i zdolność autora do przystępnego przedstawiania złożonych koncepcji. Niektórzy krytycy wspominają jednak o braku głębi w teoretycznych wyjaśnieniach i pewnych nieścisłościach w definicjach.

⬤ Łatwo dostępny i dobrze napisany, zarówno dla początkujących, jak i tych z wcześniejszą wiedzą w tej dziedzinie.
⬤ Szczegółowe przykłady kodu, które poprawiają zrozumienie pojęć.
⬤ Świetnie nadaje się do praktycznego zastosowania z najnowszymi bibliotekami i technikami.
⬤ Zawiera jasne wyjaśnienia pojęć teoretycznych.
⬤ Wysoce zalecana dla każdego zainteresowanego uczeniem ze wzmocnieniem.

⬤ Niektórzy czytelnicy zauważają nieścisłości, takie jak definicja tensorów.
⬤ Nie jest wystarczająco głęboka w teorii matematycznej dla tych, którzy szukają dogłębnych prezentacji.
⬤ Wymaga dodatkowych zasobów, aby w pełni zrozumieć niektóre koncepcje.
⬤ Niektóre przykłady mogą prowadzić do nieporozumień i wymagać dalszych badań.

(na podstawie 44 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Uwaga wydawcy: to wydanie z 2018 r. jest nieaktualne i niezgodne z najnowszymi aktualizacjami bibliotek Pythona. Nowa trzecia edycja, zaktualizowana na 2020 r. o sześć nowych rozdziałów, które obejmują metody wieloagentowe, optymalizację dyskretną, RL w robotyce i zaawansowane techniki eksploracji, jest już dostępna.

Ten praktyczny przewodnik nauczy Cię, jak głębokie uczenie (DL) może być wykorzystywane do rozwiązywania złożonych problemów w świecie rzeczywistym.

Kluczowe cechy

⬤ Poznaj głębokie uczenie ze wzmocnieniem (RL), od pierwszych zasad do najnowszych algorytmów.

⬤ Oceń głośne metody RL, w tym iterację wartości, głębokie sieci Q, gradienty polityki, TRPO, PPO, DDPG, D4PG, strategie ewolucji i algorytmy genetyczne.

⬤ Bądź na bieżąco z najnowszymi osiągnięciami branży, w tym chatbotami opartymi na sztucznej inteligencji.

Opis książki

Deep Reinforcement Learning Hands-On to kompleksowy przewodnik po najnowszych narzędziach DL i ich ograniczeniach. Ocenisz metody, w tym entropię krzyżową i gradienty polityki, przed zastosowaniem ich w rzeczywistych środowiskach. Zmierz się zarówno z zestawem wirtualnych gier Atari, jak i ulubionymi grami rodzinnymi, takimi jak Connect4.

Książka stanowi wprowadzenie do podstaw RL, dając ci know-how do kodowania inteligentnych agentów uczących się, aby podjąć się ogromnej liczby praktycznych zadań. Odkryj, jak zaimplementować uczenie Q w środowiskach "grid world", naucz swojego agenta kupować i handlować akcjami oraz dowiedz się, w jaki sposób modele języka naturalnego napędzają boom na chatboty.

Czego się nauczysz

⬤ Zrozumieć kontekst DL RL i wdrożyć złożone modele DL.

⬤ Poznasz podstawy RL: procesy decyzyjne Markowa.

⬤ Oceniać metody RL, w tym Cross-entropy, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG i inne.

⬤ Odkryj, jak radzić sobie z dyskretnymi i ciągłymi przestrzeniami akcji w różnych środowiskach.

⬤ Pokonaj gry zręcznościowe Atari przy użyciu metody iteracji wartości.

⬤ Stwórz własne środowisko OpenAI Gym, aby trenować agenta handlującego akcjami.

⬤ Naucz swojego agenta grać w Connect4 przy użyciu AlphaGo Zero.

⬤ Zapoznaj się z najnowszymi badaniami nad głębokim RL na tematy takie jak chatboty oparte na sztucznej inteligencji.

Dla kogo jest ta książka

Zakłada się pewną biegłość w Pythonie. Podstawowe podejścia do głębokiego uczenia (DL) powinny być znane czytelnikom, a pewne praktyczne doświadczenie w DL będzie pomocne. Ta książka jest wprowadzeniem do głębokiego uczenia ze wzmocnieniem (RL) i nie wymaga doświadczenia w RL.