Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 10 olvasói szavazat alapján történt.
Applied Reinforcement Learning with Python: With Openai Gym, Tensorflow, and Keras
1. fejezet: Bevezetés a megerősítéses tanulásbaA fejezet célja: Az olvasó tájékoztatása a terület történetéről, jelenlegi alkalmazásairól, valamint a szöveg vázlatának általános ismertetése, és hogy az olvasó mire számíthat a tanulás során.Nincs oldal 10Témakörök1. Mi a megerősítéses tanulás? 2. A megerősítő tanulás története 3. A megerősítő tanulás alkalmazásai.
2. fejezet: Erősítéses tanulási algoritmusokKifejezés célja: Az olvasóval megértetni, hogyan működnek a megerősítéses tanulási algoritmusok, és miben különböznek az alapvető ML/DL módszerektől. Gyakorlati példák bemutatása ebben a fejezetben.
Oldalak száma: 50.
Rész - témakörök 1. Táblázatos megoldási módszerek2. Közelítő megoldási módszerek.
3. fejezet: Q tanulás Fejezet célja: Ebben a fejezetben az olvasók diszkrét akcióterekben történő problémamegoldással folytatják az RL megértését Oldalak száma: 40 rész - témakörök: 1. Mély Q hálózatok2. Dupla mély Q tanulás.
4. fejezet: Erősítésen alapuló tanuláson alapuló piacképzés Fejezet célja: Ebben a fejezetben egy pénzügyi alapú felhasználási esetre, konkrétan a piacképzésre fogunk összpontosítani, amelyben egy pénzügyi eszközt kell vennünk és eladnunk egy adott áron. Erősítéses tanulási megközelítést fogunk alkalmazni erre az adathalmazra, és megnézzük, hogyan teljesít az idő múlásával Nem oldal: Témák: 50 rész - Témák: 1. Piacképzés 2. AWS/Google Cloud3. Cron.
5. fejezet: Erősítéses tanulás videojátékokhoz Fejezet célja: Ebben a fejezetben a megerősítéses tanulás egy általánosabb alkalmazási esetére fogunk koncentrálni, amelyben egy algoritmust tanítunk meg arra, hogy sikeresen játsszon egy játékot a számítógépes mesterséges intelligencia ellen. Oldalak száma: Témakörök: 50 rész - Témakörök: 1. Játék háttere és adatgyűjtés.
