Deep Reinforcement Learning with Python: S Pytorchem, Tensorflow a Openai Gym

Recenze čtenářů

Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 12 hlasů.

Původní název:

Deep Reinforcement Learning with Python: With Pytorch, Tensorflow and Openai Gym

Obsah knihy:

Hluboké posilovací učení je rychle se rozvíjející disciplína, která má významný dopad na oblasti autonomních vozidel, robotiky, zdravotnictví, financí a mnoho dalších. Tato kniha se zabývá hlubokým posilovacím učením pomocí modelů deep-q learning a policy gradient s cvičením kódování.

Na začátku se seznámíte s Markovovými rozhodovacími procesy, Bellmanovými rovnicemi a dynamickým programováním, které tvoří základní pojmy a základy hlubokého posilovacího učení. Dále budete studovat učení bez modelu a následně aproximaci funkcí pomocí neuronových sítí a hlubokého učení. Poté následují různé algoritmy hlubokého posilovacího učení, jako jsou hluboké q-sítě, různé varianty metod kritiky aktérů a další metody založené na zásadách.

Podíváte se také na dilema zkoumání vs. využívání, které je klíčovým faktorem v algoritmech posilování učení, spolu s vyhledáváním stromů Monte Carlo (MCTS), které hrálo klíčovou roli v úspěchu AlphaGo. Závěrečné kapitoly jsou věnovány implementaci hlubokého posilovacího učení pomocí populárních frameworků pro hluboké učení, jako jsou TensorFlow a PyTorch. V závěru porozumíte hlubokému posilovacímu učení spolu s implementací hlubokých q sítí a modelů s gradientní politikou pomocí TensorFlow, PyTorch a Open AI Gym.

Co se naučíte

⬤ Prozkoumat hluboké posilovací učení.

⬤ Implementovat algoritmy hlubokého učení pomocí prostředí OpenAI Gym.

⬤ Kódovat vlastní herní agenty pro Atari pomocí algoritmů actor-critic.

⬤ Použijte osvědčené postupy pro tvorbu modelů a trénování algoritmů.

Pro koho je tato kniha určena

Vývojářům a architektům strojového učení, kteří chtějí mít náskok v oblasti umělé inteligence a hlubokého učení.