Algoritmi di apprendimento per rinforzo con Python

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 12 voti.

Titolo originale:

Reinforcement Learning Algorithms with Python

Contenuto del libro:

Sviluppare algoritmi e agenti di autoapprendimento utilizzando TensorFlow e altri strumenti, framework e librerie Python Caratteristiche principali Imparare, sviluppare e implementare algoritmi avanzati di apprendimento per rinforzo per risolvere una varietà di compiti Comprendere e sviluppare algoritmi senza modello e basati su modello per costruire agenti di autoapprendimento Lavorare con concetti e algoritmi avanzati di apprendimento per rinforzo, come l'apprendimento per imitazione e le strategie di evoluzione Descrizione del libro

L'apprendimento per rinforzo (RL) è una branca popolare e promettente dell'intelligenza artificiale che prevede la creazione di modelli e agenti più intelligenti in grado di determinare automaticamente il comportamento ideale in base a requisiti mutevoli. Questo libro vi aiuterà a padroneggiare gli algoritmi di RL e a comprenderne l'implementazione per costruire agenti di autoapprendimento.

Partendo da un'introduzione agli strumenti, alle librerie e alle impostazioni necessarie per lavorare nell'ambiente RL, questo libro copre gli elementi costitutivi dell'RL e approfondisce i metodi basati sul valore, come l'applicazione degli algoritmi Q-learning e SARSA. Imparerete a utilizzare una combinazione di Q-learning e reti neurali per risolvere problemi complessi. Inoltre, studierete i metodi di gradiente della politica, TRPO e PPO, per migliorare le prestazioni e la stabilità, prima di passare agli algoritmi deterministici DDPG e TD3. Questo libro tratta anche del funzionamento delle tecniche di apprendimento per imitazione e di come Dagger possa insegnare a un agente a guidare. Scoprirete le strategie evolutive e le tecniche di ottimizzazione black-box, e vedrete come possono migliorare gli algoritmi RL. Infine, si affrontano gli approcci di esplorazione, come UCB e UCB1, e si sviluppa un meta-algoritmo chiamato ESBAS.

Alla fine del libro, avrete lavorato con i principali algoritmi di RL per superare le sfide delle applicazioni reali e farete parte della comunità di ricerca RL. Cosa imparerete Sviluppare un agente per giocare a CartPole utilizzando l'interfaccia OpenAI Gym Scoprire il paradigma dell'apprendimento per rinforzo basato su modelli Risolvere il problema del lago ghiacciato con la programmazione dinamica Esplorare l'apprendimento Q e SARSA in vista di un gioco di taxi Applicare le reti Q profonde (DQN) ai giochi Atari utilizzando Gym Studiare gli algoritmi di gradiente di policy, compresi Actor-Critic e REINFORCE Comprendere e applicare PPO e TRPO in ambienti a locomozione continua Affrontare le strategie di evoluzione per risolvere il problema del lander lunare A chi si rivolge questo libro

Se siete ricercatori di IA, utenti di deep learning o chiunque voglia imparare l'apprendimento per rinforzo da zero, questo libro fa per voi. Troverete questo libro sull'apprendimento per rinforzo anche utile se volete conoscere i progressi del settore. È necessaria la conoscenza di Python. Indice Il panorama dell'apprendimento per rinforzo Implementare il ciclo RL e la palestra OpenAI Risolvere i problemi con la programmazione dinamica Apprendimento Q e applicazioni SARSA Apprendimento profondo delle reti Q Ottimizzazione stocastica e DDPG Implementazione di TRPO e PPO Applicazioni di DDPG e TD3 Apprendimento imitativo basato su modelli con l'algoritmo DAgger Comprendere gli algoritmi di ottimizzazione Black-Box Sviluppare l'algoritmo ESBAS Implementazione pratica per risolvere le sfide di RL