Gyakorlati mély megerősítéses tanulás Pythonnal: Algoritmusok tömör megvalósítása, egyszerűsített matematika és a TensorFlow és a PyTorch hatékony használata

Olvasói vélemények

A könyv strukturált és világos bevezetést nyújt a megerősített tanulásba, hatékonyan összekapcsolja az összetett fogalmakat, és gyakorlati kódolási példákat kínál. Néhány olvasó azonban kritizálta a rossz tartalmi minőség, az elavult kód és az elégtelen magyarázatok miatt.

⬤ Az összetett megerősítéses tanulási fogalmak szervezett bemutatása.
⬤ Zökkenőmentesen kapcsolja össze a téma különböző aspektusait.
⬤ Gyakorlati kódolási példák és implementációk PyTorch és TensorFlow nyelven.
⬤ Alkalmas különböző tudásszintek számára, beleértve a kezdőket is.

⬤ Néhány olvasó úgy találta, hogy a tartalomból hiányzik a mélység és az áttekinthetőség.
⬤ A kód minőségével kapcsolatos problémák, beleértve a hibákat és a hibákat.
⬤ Néhányan úgy vélik, hogy más megerősített tanulási forrásokhoz képest alulmarad.

(7 olvasói vélemény alapján)

Eredeti címe:

Practical Deep Reinforcement Learning with Python: Concise Implementation of Algorithms, Simplified Maths, and Effective Use of TensorFlow and PyTorch

Könyv tartalma:

Gyakorlati okosügynökök fejlesztése Python, PyTorch és TensorFlow használatával

KEY FEATURES

⬤  Ismerős RL technikák megismerése, beleértve a Monte-Carlo, Deep Q-Learning, Policy Gradient és Actor-Critical technikákat.

⬤  Gyakorlati tapasztalat a TensorFlow és a PyTorch használatával a megerősítéses tanulási projektekben.

⬤  Minden tömör, naprakész és vizuálisan, egyszerűsített matematikával magyarázva.

DESCRIPTION

A megerősítéses tanulás a mesterséges intelligencia egy lenyűgöző ága, amely több szempontból is különbözik a hagyományos gépi tanulástól. Az alkalmazkodás és a kiszámíthatatlan környezetben való tanulás a projekt része. A megerősítéses tanulásnak manapság számos valós alkalmazása van, többek között az orvostudomány, a szerencsejátékok, az emberi utánzó tevékenység és a robotika területén.

Ez a könyv pragmatikus szemszögből vezeti be az olvasót a megerősítéses tanulásba. A könyv tartalmaz matematikát, de nem próbálja túlterhelni az olvasót, aki kezdő a megerősítéses tanulás területén.

A könyv sok innovatív módszert tár az olvasó elé a sok gyakorlati tanulásban, többek között a Monte-Carlo, a Deep Q-Learning, a Policy Gradient és az Actor-Critical módszereket. Miközben részletesen megérti ezeket a technikákat, a könyv a TensorFlow és a PyTorch erejét kihasználva valódi implementációt is nyújt ezekhez a módszerekhez és technikákhoz. A könyv néhány csábító projektet is tartalmaz, amelyek megmutatják a megerősítéses tanulás erejét, arról nem is beszélve, hogy minden tömören, naprakészen és vizuálisan magyarázva van.

A könyv befejezése után az olvasó alapos, intuitív megértéssel rendelkezik majd a modern megerősítéses tanulásról és annak alkalmazásairól, ami óriási segítséget nyújt majd a megerősítéses tanulás érdekes területén való elmélyülésben.

AMIT TANULNI FOG

⬤  Megismerkedik a megerősítéses tanulás és a mély megerősítéses tanulás alapjaival.

⬤  Használja a Python és a Gym keretrendszert egy külső környezet modellezésére.

⬤  Alkalmazza a klasszikus Q-learning, Monte Carlo, Policy Gradient és Thompson mintavételi technikákat.

⬤  Fedezze fel a TensorFlow-t és a PyTorch-ot a mély megerősítéses tanulás alapjainak gyakorlására.

⬤  Tervezzen egy intelligens ágenst egy adott problémára egy adott technika alkalmazásával.

KINEK SZÓL EZ A KÖNYV

Ez a könyv a gépi tanulási mérnököknek, a mélytanulás fanatikusainak, az AI-szoftverfejlesztőknek, az adattudósoknak és más adatszakembereknek szól, akik szívesen tanulják és alkalmazzák a megerősítő tanulást a folyamatban lévő projektekben. A gépi tanulással kapcsolatos speciális ismeretekre nincs szükség.

A Python nyelv ismerete azonban kívánatos.