Ocena:
Książka stanowi uporządkowane i przejrzyste wprowadzenie do uczenia ze wzmocnieniem, skutecznie łącząc złożone koncepcje i oferując praktyczne przykłady kodowania. Niektórzy czytelnicy krytykowali ją jednak za niską jakość treści, przestarzały kod i niewystarczające wyjaśnienia.
Zalety:⬤ Uporządkowana prezentacja złożonych koncepcji uczenia ze wzmocnieniem.
⬤ Płynne połączenie różnych aspektów tematu.
⬤ Praktyczne przykłady kodowania i implementacje w PyTorch i TensorFlow.
⬤ Odpowiedni dla różnych poziomów wiedzy, w tym dla początkujących.
⬤ Niektórzy czytelnicy stwierdzili, że treści brakuje głębi i przejrzystości.
⬤ Problemy z jakością kodu, w tym bugi i błędy.
⬤ Niektórzy uważają, że w porównaniu z innymi zasobami dotyczącymi uczenia ze wzmocnieniem wypada słabo.
(na podstawie 7 opinii czytelników)
Practical Deep Reinforcement Learning with Python: Concise Implementation of Algorithms, Simplified Maths, and Effective Use of TensorFlow and PyTorch
Wprowadzenie do praktycznego rozwoju inteligentnych agentów przy użyciu Python, PyTorch i TensorFlow
KLUCZOWE CECHY
⬤ Zapoznanie się z dobrze znanymi technikami RL, w tym Monte-Carlo, Deep Q-Learning, Policy Gradient i Actor-Critical.
⬤ Praktyczne doświadczenie z TensorFlow i PyTorch w projektach Reinforcement Learning.
⬤ Wszystko jest zwięzłe, aktualne i wizualnie wyjaśnione za pomocą uproszczonej matematyki.
OPIS
Reinforcement Learning to fascynująca gałąź sztucznej inteligencji, która różni się od standardowego uczenia maszynowego na kilka sposobów. Adaptacja i uczenie się w nieprzewidywalnym środowisku jest częścią tego projektu. Obecnie istnieje wiele rzeczywistych zastosowań uczenia ze wzmocnieniem, w tym w medycynie, grach hazardowych, ludzkiej aktywności naśladowczej i robotyce.
Ta książka wprowadza czytelników w uczenie ze wzmocnieniem z pragmatycznego punktu widzenia. Książka obejmuje matematykę, ale nie próbuje przeciążać czytelnika, który jest początkującym w dziedzinie uczenia się ze wzmocnieniem.
Książka zwraca uwagę czytelnika na wiele innowacyjnych metod praktycznego uczenia się, w tym metody Monte-Carlo, Deep Q-Learning, Policy Gradient i Actor-Critical. Podczas gdy czytelnik rozumie te techniki w szczegółach, książka zapewnia również rzeczywistą implementację tych metod i technik przy użyciu mocy TensorFlow i PyTorch. Książka obejmuje kilka kuszących projektów, które pokazują moc uczenia się ze wzmocnieniem, i nie wspominając o tym, że wszystko jest zwięzłe, aktualne i wizualnie wyjaśnione.
Po ukończeniu tej książki czytelnik będzie miał dogłębne, intuicyjne zrozumienie nowoczesnego uczenia ze wzmocnieniem i jego zastosowań, co ogromnie pomoże mu w zagłębieniu się w interesującą dziedzinę uczenia ze wzmocnieniem.
CZEGO SIĘ NAUCZYSZ
⬤ Zapoznać się z podstawami uczenia ze wzmocnieniem i głębokiego uczenia ze wzmocnieniem.
⬤ Wykorzystanie Pythona i frameworka Gym do modelowania środowiska zewnętrznego.
⬤ Zastosować klasyczne techniki próbkowania Q-learning, Monte Carlo, Policy Gradient i Thompson.
⬤ Poznaj TensorFlow i PyTorch, aby przećwiczyć podstawy głębokiego uczenia ze wzmocnieniem.
⬤ Zaprojektuj inteligentnego agenta dla konkretnego problemu przy użyciu określonej techniki.
DLA KOGO JEST TA KSIĄŻKA
Ta książka jest przeznaczona dla inżynierów uczenia maszynowego, fanatyków głębokiego uczenia, twórców oprogramowania AI, naukowców zajmujących się danymi i innych specjalistów zajmujących się danymi, którzy chcą nauczyć się i zastosować uczenie ze wzmocnieniem w bieżących projektach. Nie jest wymagana specjalistyczna wiedza z zakresu uczenia maszynowego.
Pożądana jest jednak biegła znajomość języka Python.
