Podstawy głębokiego uczenia ze wzmocnieniem: Teoria i praktyka w Pythonie

Opinie czytelników

Książka jest chwalona za jasne wyjaśnienia i praktyczne podejście do głębokiego uczenia ze wzmocnieniem (DRL), oferując solidne źródło informacji dla czytelników chcących wdrożyć algorytmy. Krytycy podkreślają jednak niską jakość papieru, problemy z edycją Kindle i poleganie na niestandardowym frameworku, co może zniechęcić niektórych czytelników.

⬤ Przejrzyste i dobrze zorganizowane wyjaśnienia pojęć i algorytmów DRL.
⬤ Praktyczne zasoby, w tym przykładowy kod i repozytorium GitHub do implementacji.
⬤ Dobra dla czytelników o różnym poziomie doświadczenia.
⬤ Zwięzłe ujęcie tematów, ułatwiające naukę.
⬤ Pomocne w łączeniu teorii z praktyką, ułatwiające praktyczną naukę.

⬤ Słaba jakość papieru i zgłaszane problemy z drukowaniem, w tym nieprzyjemny zapach i cienkie strony.
⬤ Wydanie Kindle ma problemy z formatowaniem formuł, które wpływają na użyteczność.
⬤ Duże oparcie na niestandardowym frameworku autorów (SLM Lab), co może nie spodobać się osobom preferującym bardziej uniwersalne przykłady kodowania.
⬤ Niektóre przykłady są przestarzałe, co wymaga od czytelników dostosowania kodu do zaktualizowanych bibliotek.

(na podstawie 27 opinii czytelników)

Oryginalny tytuł:

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

Zawartość książki:

Współczesne wprowadzenie do głębokiego uczenia ze wzmocnieniem, które łączy teorię i praktykę

Głębokie uczenie ze wzmocnieniem (deep RL) łączy w sobie głębokie uczenie i uczenie ze wzmocnieniem, w którym sztuczni agenci uczą się rozwiązywać sekwencyjne problemy decyzyjne. W ciągu ostatniej dekady głębokie RL osiągnęło niezwykłe wyniki w szeregu problemów, od gier jedno- i wieloosobowych - takich jak Go, gry Atari i DotA 2 - po robotykę.

Foundations of Deep Reinforcement Learning to wprowadzenie do głębokiego RL, które w wyjątkowy sposób łączy zarówno teorię, jak i implementację. Zaczyna się od intuicji, następnie dokładnie wyjaśnia teorię algorytmów głębokiego RL, omawia implementacje w towarzyszącej bibliotece oprogramowania SLM Lab, a kończy praktycznymi szczegółami dotyczącymi uruchamiania głębokiego RL.

Ten przewodnik jest idealny zarówno dla studentów informatyki, jak i inżynierów oprogramowania, którzy są zaznajomieni z podstawowymi koncepcjami uczenia maszynowego i dobrze rozumieją Pythona.

⬤ Zrozumienie każdego kluczowego aspektu problemu głębokiego RL.

⬤ Poznanie algorytmów opartych na zasadach i wartościach, w tym REINFORCE, SARSA, DQN, Double DQN i Prioritized Experience Replay (PER).

⬤ Zagłębić się w algorytmy łączone, w tym Actor-Critic i Proximal Policy Optimization (PPO).

⬤ Zrozumienie, w jaki sposób algorytmy mogą być zrównoleglane synchronicznie i asynchronicznie.

⬤ Uruchamianie algorytmów w SLM Lab i poznanie praktycznych szczegółów implementacji głębokiej RL.

⬤ Zapoznanie się z wynikami testów porównawczych algorytmów z dostrojonymi hiperparametrami.

⬤ Zrozumienie, w jaki sposób projektowane są środowiska głębokiego RL.

Zarejestruj swoją książkę, aby uzyskać wygodny dostęp do pobierania, aktualizacji i/lub poprawek, gdy tylko staną się dostępne. Szczegóły znajdują się wewnątrz książki.