Practical Deep Reinforcement Learning with Python (Hlboké posilňovacie učenie s Pythonom v praxi): Stručná implementácia algoritmov, zjednodušená matematika a efektívne využitie TensorFlow a PyTorch

Recenzie čitateľov

Kniha poskytuje štruktúrovaný a jasný úvod do posilňovania učenia, efektívne spája zložité koncepty a ponúka praktické príklady kódovania. Niektorí čitatelia ju však kritizovali za nízku kvalitu obsahu, zastaraný kód a nedostatočné vysvetlenia.

⬤ Organizovaná prezentácia komplexných konceptov posilňovania učenia.
⬤ Bezproblémové prepojenie rôznych aspektov témy.
⬤ Praktické príklady kódovania a implementácie v PyTorchu a TensorFlow.
⬤ Vhodné pre rôzne úrovne znalostí vrátane začiatočníkov.

⬤ Niektorí čitatelia zistili, že obsahu chýba hĺbka a zrozumiteľnosť.
⬤ Problémy s kvalitou kódu vrátane chýb a omylov.
⬤ Niektorí sa domnievajú, že v porovnaní s inými zdrojmi o posilňovaní učenia zaostáva.

(na základe 7 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Predstavujeme praktický vývoj inteligentných agentov pomocou Pythonu, PyTorchu a TensorFlow

KĽÚČOVÉ FUNKCIE

⬤  Zoznámenie sa so známymi technikami RL vrátane Monte-Carlo, Deep Q-Learning, Policy Gradient a Actor-Critical.

⬤  Praktické skúsenosti s TensorFlow a PyTorch na projektoch Reinforcement Learning.

⬤  Všetko je stručné, aktuálne a vizuálne vysvetlené so zjednodušenou matematikou.

POPIS

Reinforcement learning je fascinujúce odvetvie umelej inteligencie, ktoré sa od štandardného strojového učenia líši niekoľkými spôsobmi. Súčasťou tohto projektu je adaptácia a učenie v nepredvídateľnom prostredí. V súčasnosti existuje množstvo reálnych aplikácií pre reinforcement learning, vrátane medicíny, hazardných hier, imitačnej činnosti človeka a robotiky.

Táto kniha oboznamuje čitateľov s posilňovaním učenia z pragmatického hľadiska. Kniha síce zahŕňa matematiku, ale nesnaží sa príliš zaťažovať čitateľa, ktorý je v oblasti posilňovania učenia začiatočníkom.

Kniha prináša čitateľovi množstvo inovatívnych metód v oblasti praktického učenia, vrátane metód Monte-Carlo, Deep Q-Learning, Policy Gradient a Actor-Critical. Zatiaľ čo tieto techniky podrobne pochopíte, kniha poskytuje aj reálnu implementáciu týchto metód a techník s využitím výkonu TensorFlow a PyTorch. Kniha obsahuje niekoľko lákavých projektov, ktoré ukazujú silu posilňovania učenia, a nehovoriac o tom, že všetko je stručné, aktuálne a názorne vysvetlené.

Po dokončení tejto knihy bude čitateľ dôkladne a intuitívne rozumieť modernému posilňovaniu učenia a jeho aplikáciám, čo mu nesmierne pomôže pri prenikaní do zaujímavej oblasti posilňovania učenia.

ČO SA NAUČÍTE

⬤  Zoznámite sa so základmi posilňovacieho učenia a hlbokého posilňovacieho učenia.

⬤  Využiť Python a Gym framework na modelovanie vonkajšieho prostredia.

⬤  Použiť klasické techniky Q-learning, Monte Carlo, Policy Gradient a Thompsonovo vzorkovanie.

⬤  Preskúmajte TensorFlow a PyTorch na precvičenie základov hlbokého posilňovacieho učenia.

⬤  Navrhnite inteligentného agenta pre konkrétny problém pomocou špecifickej techniky.

PRE KOHO JE TÁTO KNIHA URČENÁ

Táto kniha je určená inžinierom strojového učenia, fanatikom hlbokého učenia, vývojárom softvéru AI, dátovým vedcom a ďalším odborníkom na dáta, ktorí sa chcú naučiť a aplikovať Reinforcement Learning na prebiehajúce projekty. Nie sú potrebné žiadne špecializované znalosti strojového učenia.

Znalosť jazyka Python je však žiaduca.