Základy hlbokého učenia s posilňovaním: Teória a prax v Pythone

Recenzie čitateľov

Kniha je chválená za jasné vysvetlenia a praktický prístup k hlbokému posilňovaniu učenia (DRL) a ponúka solídny zdroj informácií pre čitateľov, ktorí chcú implementovať algoritmy. Kritika však poukazuje na nízku kvalitu papiera, problémy s vydaním pre Kindle a závislosť od vlastného rámca, ktorá môže niektorých čitateľov odradiť.

⬤ Jasné a dobre štruktúrované vysvetlenia konceptov a algoritmov DRL.
⬤ Praktické zdroje vrátane vzorového kódu a repozitára GitHub na implementáciu.
⬤ Vhodné pre čitateľov s rôznou úrovňou skúseností.
⬤ Stručné pokrytie tém, vďaka čomu sa dá zvládnuť učenie.
⬤ Užitočné prepojenie teórie s praxou, čo uľahčuje praktické učenie.

⬤ Hlásená slabá kvalita papiera a problémy s tlačou vrátane nepríjemného zápachu a tenkých strán.
⬤ Vydanie pre Kindle má problémy s formátovaním vzorcov, ktoré ovplyvňujú použiteľnosť.
⬤ Veľká závislosť od vlastného rámca autorov (SLM Lab), ktorý sa nemusí páčiť tým, ktorí uprednostňujú univerzálnejšie príklady kódovania.
⬤ Niektoré príklady sú zastarané, čo si od čitateľov vyžaduje prispôsobenie kódu tak, aby fungoval s aktualizovanými knižnicami.

(na základe 27 čitateľských recenzií)

Pôvodný názov:

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

Obsah knihy:

Súčasný úvod do hlbokého posilňovacieho učenia, ktorý spája teóriu a prax

Hlboké učenie s posilňovaním (deep reinforcement learning, deep RL) kombinuje hlboké učenie a učenie s posilňovaním, v ktorom sa umelí agenti učia riešiť sekvenčné rozhodovacie problémy. V poslednom desaťročí hlboké RL dosiahlo pozoruhodné výsledky v celom rade problémov, od hier pre jedného a viacerých hráčov - ako sú Go, hry Atari a DotA 2- až po robotiku.

Foundations of Deep Reinforcement Learning je úvod do hlbokého RL, ktorý jedinečným spôsobom spája teóriu aj implementáciu. Začína intuíciou, potom dôkladne vysvetľuje teóriu algoritmov hlbokého RL, rozoberá implementácie v sprievodnej softvérovej knižnici SLM Lab a končí praktickými detailmi fungovania hlbokého RL.

Táto príručka je ideálna pre študentov informatiky aj softvérových inžinierov, ktorí sú oboznámení so základnými konceptmi strojového učenia a ovládajú jazyk Python.

⬤ Poznajte každý kľúčový aspekt problému hlbokého RL.

⬤ Preskúmajte algoritmy založené na politikách a hodnotách, vrátane algoritmov REINFORCE, SARSA, DQN, Double DQN a Prioritized Experience Replay (PER).

⬤ Preskúmajte kombinované algoritmy vrátane algoritmov Actor-Critic a Proximal Policy Optimization (PPO)

⬤ Pochopiť, ako možno algoritmy paralelizovať synchrónne a asynchrónne.

⬤ Spustite algoritmy v laboratóriu SLM a naučte sa praktické implementačné detaily pre fungovanie hlbokého RL.

⬤ Preskúmajte výsledky benchmarkov algoritmov s vyladenými hyperparametrami.

⬤ Pochopiť, ako sú navrhnuté prostredia hlbokej RL.

Zaregistrujte si knihu a získajte pohodlný prístup k stiahnutiam, aktualizáciám a/alebo opravám, keď budú k dispozícii. Podrobnosti nájdete vo vnútri knihy.