Učení posilováním: Průmyslové aplikace inteligentních agentů

Recenze čtenářů

Kniha nabízí kombinaci akademických poznatků a praktických aplikací pro posilování učení. Trpí však závažnými překlepy, nevyhovující kvalitou tisku a chybí jí jasnost, pokud jde o cílovou skupinu. Mnozí recenzenti ji považují za příliš akademickou pro začátečníky a nedostatečně praktickou pro přímé použití v průmyslu.

Skvělá kombinace akademického a průmyslového prostředí, užitečné poznatky pro praktické případy použití, dobře přijatý stav při dodání.

Závažné překlepy v ústředních rovnicích, nestandardní kvalita černobílého tisku, nejasná cílová skupina, nedostatečná srozumitelnost a praktičnost, příliš akademická pro začátečníky.

(na základě 5 hodnocení čtenářů)

Původní název:

Reinforcement Learning: Industrial Applications of Intelligent Agents

Obsah knihy:

Učení s posilováním (Reinforcement Learning, RL) bude v příštím desetiletí představovat jeden z největších průlomů v oblasti umělé inteligence, protože umožní algoritmům učit se z prostředí a dosahovat libovolných cílů. Tento vzrušující vývoj se vyhne omezením, která se vyskytují v tradičních algoritmech strojového učení (ML). Tato praktická kniha ukazuje odborníkům na datovou vědu a umělou inteligenci, jak se učit pomocí posilování a umožnit stroji, aby se učil sám.

Autor Phil Winder ze společnosti Winder Research pokrývá vše od základních stavebních kamenů až po nejmodernější postupy. Prozkoumáte současný stav RL, zaměříte se na průmyslové aplikace, naučíte se řadu algoritmů a využijete specializované kapitoly o nasazení RL řešení do výroby. Nejedná se o žádnou kuchařku; nevyhýbá se matematice a očekává znalost ML.

⬤ Zjistěte, co je RL a jak algoritmy pomáhají řešit problémy.

⬤ Získáte základní znalosti o RL, včetně Markovových rozhodovacích procesů, dynamického programování a učení s časovými rozdíly.

⬤ Ponořte se do celé řady hodnotových metod a metod s gradientní politikou.

⬤ Aplikujte pokročilá řešení RL, jako je meta učení, hierarchické učení, učení více agentů a imitační učení.

⬤ Poznejte špičkové algoritmy hlubokého RL včetně Rainbow, PPO, TD3, SAC a dalších.

⬤ Získat praktické příklady prostřednictvím doprovodných webových stránek.