Ocena:
Książka jest wysoce zalecana dla osób zajmujących się stosowanym uczeniem ze wzmocnieniem (RL), oferując praktyczny przewodnik z rzeczywistymi przykładami i nowoczesnymi metodami. Chociaż jest dobrze napisana i obejmuje szeroki zakres tematów, od podstaw po zaawansowane aplikacje, nie jest odpowiednia dla zupełnie początkujących i wymaga pewnego doświadczenia w statystyce, prawdopodobieństwie i programowaniu w Pythonie. Jednak formatowanie i prezentacja książki spotkały się z krytyką.
Zalety:⬤ Świetny przepływ i łatwość śledzenia wraz z kodami Pythona.
⬤ Praktyczny przewodnik z rzeczywistymi przykładami i aplikacjami.
⬤ Obejmuje szeroki zakres tematów RL, w tym zaawansowane koncepcje.
⬤ Zapewnia zewnętrzne zasoby dla głębszego zrozumienia.
⬤ Odpowiedni dla średnio zaawansowanych użytkowników i praktyków planujących wdrożenie rozwiązań RL.
⬤ Nie dla zupełnie początkujących; wymaga wcześniejszej wiedzy z zakresu statystyki, prawdopodobieństwa i pewnych umiejętności programowania w Pythonie.
⬤ Słaba jakość formatowania i prezentacji, w tym niespójne myślniki i rozmyte obrazy.
(na podstawie 13 opinii czytelników)
Mastering Reinforcement Learning with Python: Build next-generation, self-learning models using reinforcement learning techniques and best practices
Zdobądź praktyczne doświadczenie w tworzeniu najnowocześniejszych agentów uczenia ze wzmocnieniem przy użyciu TensorFlow i RLlib do rozwiązywania złożonych rzeczywistych problemów biznesowych i branżowych za pomocą wskazówek ekspertów i najlepszych praktyk
Kluczowe cechy:
⬤ Zrozumienie, jak działają najnowocześniejsze algorytmy i podejścia RL na dużą skalę.
⬤ Zastosuj RL do rozwiązywania złożonych problemów w marketingu, robotyce, łańcuchu dostaw, finansach, cyberbezpieczeństwie i nie tylko.
⬤ Zapoznaj się z poradami i najlepszymi praktykami ekspertów, które pozwolą Ci sprostać rzeczywistym wyzwaniom związanym z RL.
Opis książki:
Uczenie ze wzmocnieniem (RL) to dziedzina sztucznej inteligencji (AI) wykorzystywana do tworzenia samouczących się autonomicznych agentów. Opierając się na solidnych podstawach teoretycznych, ta książka przyjmuje praktyczne podejście i wykorzystuje przykłady inspirowane rzeczywistymi problemami branżowymi, aby nauczyć Cię najnowocześniejszego RL.
Zaczynając od problemów bandyckich, procesów decyzyjnych Markowa i programowania dynamicznego, książka zawiera dogłębny przegląd klasycznych technik RL, takich jak metody Monte Carlo i uczenie się czasowo-różnicowe. Następnie czytelnik dowie się o głębokim uczeniu Q, algorytmach gradientu polityki, metodach krytyki aktorów, metodach opartych na modelach i uczeniu ze wzmocnieniem wielu agentów. Następnie zapoznasz się z niektórymi kluczowymi podejściami stojącymi za najbardziej udanymi implementacjami RL, takimi jak randomizacja domeny i uczenie się oparte na ciekawości.
W miarę postępów poznasz wiele nowatorskich algorytmów z zaawansowanymi implementacjami przy użyciu nowoczesnych bibliotek Pythona, takich jak TensorFlow i pakiet Ray's RLlib. Dowiesz się również, jak wdrożyć RL w takich obszarach jak robotyka, zarządzanie łańcuchem dostaw, marketing, finanse, inteligentne miasta i cyberbezpieczeństwo, jednocześnie oceniając kompromisy między różnymi podejściami i unikając typowych pułapek.
Przed końcem tej książki, będziesz miał opanowany sposób szkolenia i wdrażania własnych agentów RL do rozwiązywania problemów RL.
Czego się nauczysz:
⬤ Modelować i rozwiązywać złożone sekwencyjne problemy decyzyjne przy użyciu RL.
⬤ Rozwinąć solidne zrozumienie tego, jak działają najnowocześniejsze metody RL.
⬤ Wykorzystanie Pythona i TensorFlow do kodowania algorytmów RL od podstaw.
⬤ Zrównoleglanie i skalowanie implementacji RL przy użyciu pakietu RLlib firmy Ray.
⬤ Zdobądź dogłębną wiedzę na wiele różnych tematów związanych z RL.
⬤ Zrozumienie kompromisów między różnymi podejściami RL.
⬤ Odkryj i staw czoła wyzwaniom związanym z wdrażaniem RL w prawdziwym świecie.
Dla kogo jest ta książka:
Ta książka jest przeznaczona dla ekspertów w dziedzinie uczenia maszynowego i badaczy, którzy chcą skupić się na praktycznym uczeniu się ze wzmocnieniem w Pythonie, wdrażając zaawansowane koncepcje głębokiego uczenia się ze wzmocnieniem w rzeczywistych projektach. Eksperci w dziedzinie uczenia ze wzmocnieniem, którzy chcą poszerzyć swoją wiedzę, aby poradzić sobie z dużymi i złożonymi sekwencyjnymi problemami decyzyjnymi, również uznają tę książkę za przydatną. Wymagana jest praktyczna znajomość programowania w języku Python i głębokiego uczenia się wraz z wcześniejszym doświadczeniem w uczeniu ze wzmocnieniem.