Uczenie się ze wzmocnieniem: Przemysłowe zastosowania inteligentnych agentów

Opinie czytelników

Książka oferuje połączenie akademickiego wglądu i praktycznych zastosowań uczenia się ze wzmocnieniem. Cierpi jednak z powodu poważnych literówek, niskiej jakości druku i braku jasności co do docelowych odbiorców. Wielu recenzentów uznało ją za zbyt akademicką dla początkujących i niewystarczająco praktyczną do bezpośredniego zastosowania w przemyśle.

Świetne połączenie środowiska akademickiego i przemysłowego, przydatne spostrzeżenia dotyczące praktycznych przypadków użycia, dobrze przyjęty stan po dostawie.

Poważne literówki w centralnych równaniach, niska jakość czarno-białego druku, niejasna grupa docelowa, brak wystarczającej jasności i praktyczności, zbyt akademicki dla nowicjuszy.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

Reinforcement Learning: Industrial Applications of Intelligent Agents

Zawartość książki:

Uczenie ze wzmocnieniem (RL) przyniesie jeden z największych przełomów w sztucznej inteligencji w ciągu następnej dekady, umożliwiając algorytmom uczenie się na podstawie otoczenia w celu osiągnięcia dowolnych celów. Ten ekscytujący rozwój pozwala uniknąć ograniczeń występujących w tradycyjnych algorytmach uczenia maszynowego (ML). Ta praktyczna książka pokazuje specjalistom w dziedzinie nauki o danych i sztucznej inteligencji, jak uczyć się przez wzmocnienie i umożliwić maszynie samodzielne uczenie się.

Autor Phil Winder z Winder Research omawia wszystko, od podstawowych bloków konstrukcyjnych po najnowocześniejsze praktyki. Poznasz obecny stan RL, skupisz się na zastosowaniach przemysłowych, nauczysz się wielu algorytmów i skorzystasz z dedykowanych rozdziałów na temat wdrażania rozwiązań RL do produkcji. Nie jest to książka kucharska; nie stroni od matematyki i oczekuje znajomości ML.

⬤ Dowiedz się, czym jest RL i jak algorytmy pomagają rozwiązywać problemy.

⬤ Zapoznać się z podstawami RL, w tym procesami decyzyjnymi Markowa, programowaniem dynamicznym i uczeniem różnic czasowych.

⬤ Zagłębić się w szereg metod gradientu wartości i polityki.

⬤ Zastosuj zaawansowane rozwiązania RL, takie jak meta uczenie się, uczenie hierarchiczne, uczenie wieloagentowe i imitacyjne.

⬤ Zrozumienie najnowocześniejszych algorytmów głębokiego RL, w tym Rainbow, PPO, TD3, SAC i innych.

⬤ Praktyczne przykłady na dołączonej stronie internetowej.