Deep Reinforcement Learning Hands-On: Aplikujte moderné metódy RL s hlbokými Q-sieťami, iteráciou hodnôt, gradientmi politík, TRPO, AlphaGo Zero a ďalšími

Recenzie čitateľov

Kniha je vysoko oceňovanou praktickou príručkou o Deep Reinforcement Learning, ktorá spája teóriu s praktickými príkladmi kódu. Mnohí čitatelia oceňujú jej prehľadnosť, organizáciu a autorovu schopnosť sprístupniť zložité koncepty. Niektoré kritiky však spomínajú nedostatočnú hĺbku teoretických vysvetlení a niektoré nepresnosti v definíciách.

⬤ Ľahko prístupná a dobre napísaná, určená začiatočníkom aj tým, ktorí majú predchádzajúce znalosti v tejto oblasti.
⬤ Podrobné príklady kódu, ktoré zlepšujú pochopenie konceptov.
⬤ Skvelé na praktické použitie s najnovšími knižnicami a technikami.
⬤ Poskytuje jasné vysvetlenie teoretických pojmov.
⬤ Vrelo odporúčame všetkým, ktorí sa zaujímajú o posilňovanie učenia.

⬤ Niektorí čitatelia si všimli nepresnosti, napríklad v definícii tenzorov.
⬤ Nie je dostatočne hlboký v matematickej teórii pre tých, ktorí hľadajú hĺbkové prezentácie.
⬤ Na úplné pochopenie niektorých pojmov sú potrebné ďalšie zdroje.
⬤ Niektoré príklady môžu viesť k zmätku a vyžadujú si ďalší výskum.

(na základe 44 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Poznámka vydavateľa: Toto vydanie z roku 2018 je zastarané a nie je kompatibilné s najnovšími aktualizáciami knižníc Python. Teraz je k dispozícii nové tretie vydanie aktualizované na rok 2020 so šiestimi novými kapitolami, ktoré zahŕňajú metódy viacerých agentov, diskrétnu optimalizáciu, RL v robotike a pokročilé techniky prieskumu.

Táto praktická príručka vás naučí, ako sa hlboké učenie (DL) dá použiť na riešenie zložitých problémov reálneho sveta.

Kľúčové vlastnosti

⬤  Preskúmajte hlboké posilňovanie učenia (RL) od prvých princípov až po najnovšie algoritmy.

⬤ Zhodnoťte vysokoprofilové metódy RL vrátane iterácie hodnôt, hlbokých Q-sietí, gradientov politík, TRPO, PPO, DDPG, D4PG, evolučných stratégií a genetických algoritmov.

⬤ Sledujte najnovší vývoj v odvetví vrátane chatbotov riadených umelou inteligenciou.

Popis knihy

Deep Reinforcement Learning Hands-On je komplexný sprievodca najnovšími nástrojmi DL a ich obmedzeniami. Vyhodnotíte metódy vrátane krížovej entropie a gradientov politík, a potom ich použijete v reálnom prostredí. Vyskúšajte si sadu virtuálnych hier Atari aj obľúbené rodinné hry, napríklad Connect4.

Kniha poskytuje úvod do základov RL a poskytne vám know-how na kódovanie inteligentných učiacich sa agentov, ktorí zvládnu obrovské množstvo praktických úloh. Zistite, ako implementovať Q-learning v prostredí "grid world", naučte svojho agenta nakupovať a obchodovať s akciami a zistite, ako modely prirodzeného jazyka poháňajú rozmach chatbotov.

Čo sa naučíte

⬤ Pochopiť kontext DL RL a implementovať komplexné DL modely.

⬤ Zoznámite sa so základom RL: Markovovými rozhodovacími procesmi.

⬤ Zhodnotiť metódy RL vrátane metód Cross-entropy, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG a ďalších.

⬤ Zistiť, ako pracovať s diskrétnymi a spojitými akčnými priestormi v rôznych prostrediach.

⬤ Zdolajte arkádové hry Atari pomocou metódy iterácie hodnôt.

⬤ Vytvorte si vlastné prostredie OpenAI Gym na trénovanie agenta pre obchodovanie s akciami.

⬤ Učte svojho agenta hrať hru Connect4 pomocou AlphaGo Zero.

⬤ Preskúmajte najnovší hlboký výskum RL na témy vrátane chatbotov riadených umelou inteligenciou.

Pre koho je táto kniha určená

Predpokladá sa určitá plynulosť v jazyku Python. Základné prístupy hlbokého učenia (DL) by mali byť čitateľom známe a užitočné budú aj určité praktické skúsenosti s DL. Táto kniha je úvodom do hlbokého posilňovacieho učenia (RL) a nevyžaduje žiadne zázemie v RL.