Deep Reinforcement Learning Hands-On: Alkalmazza a modern RL módszereket, mély Q-hálózatokkal, értékiterációval, policy gradiensekkel, TRPO-val, AlphaGo Zero-val és még sok mással.

Olvasói vélemények

A könyv egy nagyra értékelt gyakorlati útmutató a mély megerősítéses tanulásról, amely az elméletet gyakorlati kódpéldákkal vegyíti. Sok olvasó értékeli a könyv áttekinthetőségét, szervezettségét, valamint a szerző képességét, hogy komplex fogalmakat is közérthetővé tesz. Néhány kritika azonban megemlíti az elméleti magyarázatok mélységének hiányát és néhány pontatlanságot a definíciókban.

⬤ Könnyen hozzáférhető és jól megírt, a kezdők és a témában előismeretekkel rendelkezők számára egyaránt alkalmas.
⬤ Részletes kódpéldák, amelyek elősegítik a fogalmak megértését.
⬤ Nagyszerű gyakorlati alkalmazás a legújabb könyvtárakkal és technikákkal.
⬤ Világos magyarázatot ad az elméleti fogalmakra.
⬤ Kifejezetten ajánlott mindenkinek, akit érdekel a megerősített tanulás.

⬤ Néhány olvasó pontatlanságokat jegyez meg, például a tenzorok definícióját illetően.
⬤ Nem elég mély a matematikai elméletben azok számára, akik mélyreható előadásokat keresnek.
⬤ Bizonyos fogalmak teljes megértéséhez további forrásokra van szükség.
⬤ Néhány példa zavart okozhat, és további kutatást tesz szükségessé.

(44 olvasói vélemény alapján)

Eredeti címe:

Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more

Könyv tartalma:

A kiadó megjegyzése: Ez a 2018-as kiadás elavult, és nem kompatibilis a Python könyvtárak legújabb frissítéseivel. A 2020-ra frissített új, harmadik kiadás hat új fejezettel bővült, amelyek között szerepelnek a több ágensre épülő módszerek, a diszkrét optimalizálás, az RL a robotikában és a fejlett feltárási technikák.

Ez a gyakorlati útmutató megtanítja, hogyan használható a mélytanulás (DL) komplex valós problémák megoldására.

Főbb jellemzők

⬤ Tárja fel a mély megerősítéses tanulást (RL), az első alapelvektől a legújabb algoritmusokig.

⬤ Értelmezze a magas szintű RL módszereket, beleértve az értékiterációt, a mély Q-hálózatokat, a policy gradients, a TRPO, PPO, DDPG, D4PG, az evolúciós stratégiákat és a genetikai algoritmusokat.

⬤ Tartson lépést a legfrissebb iparági fejlesztésekkel, beleértve a mesterséges intelligencia által vezérelt chatbotokat.

Könyvismertető

A Deep Reinforcement Learning Hands-On egy átfogó útmutató a legmodernebb DL-eszközökről és azok korlátairól. Értékelni fogja a módszereket, köztük a kereszt-entrópiát és a policy gradientset, mielőtt valós környezetben alkalmazza őket. Vállalja az Atari virtuális játékkészletét és az olyan családi kedvenceket, mint a Connect4.

A könyv bevezetést nyújt az RL alapjaiba, és megadja a know-how-t az intelligens tanuló ágensek kódolásához, hogy a gyakorlati feladatok széles skálájával foglalkozhasson. Fedezze fel, hogyan valósíthatja meg a Q-tanulást "rácsvilági" környezetekben, tanítsa meg az ügynököt részvények vásárlására és kereskedésére, és tudja meg, hogy a természetes nyelvi modellek hogyan mozgatják a chatbotok fellendülését.

Mit fogsz tanulni?

⬤ Az RL DL kontextusának megértése és komplex DL modellek implementálása.

⬤ Tanulja meg az RL alapjait: Markov döntési folyamatok.

⬤ Értelmezze az RL módszereket, beleértve a Cross-entropy, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG és másokat.

⬤ Találja meg, hogyan kezelhet diszkrét és folytonos akciótereket különböző környezetekben.

⬤ Döntse le az Atari arcade játékokat az értékiterációs módszerrel.

⬤ Hozzon létre saját OpenAI Gym környezetet egy tőzsdei kereskedési ügynök kiképzéséhez.

⬤ Tanítsd meg az ügynöködet Connect4-et játszani az AlphaGo Zero segítségével.

⬤ Felfedezze a legfrissebb mély RL kutatásokat olyan témákban, mint a mesterséges intelligencia által vezérelt chatbotok.

Kinek szól ez a könyv

Némi folyékony Python nyelvtudást feltételezünk. Az alapvető mélytanulási (DL) megközelítéseknek ismerősnek kell lenniük az olvasók számára, és hasznos lesz némi gyakorlati tapasztalat a DL-ben. Ez a könyv bevezetés a mély megerősítő tanulásba (RL), és nem igényel RL előképzettséget.