Apprendimento per rinforzo: Applicazioni industriali degli agenti intelligenti

Recensioni dei lettori

Il libro offre una combinazione di approfondimenti accademici e applicazioni pratiche per l'apprendimento per rinforzo. Tuttavia, soffre di gravi errori di battitura, di una qualità di stampa inferiore alla media e manca di chiarezza per quanto riguarda il suo pubblico di riferimento. Molti recensori lo hanno trovato troppo accademico per i principianti e non abbastanza pratico per un'applicazione diretta nell'industria.

Ottimo mix di accademia e industria, utili approfondimenti per casi d'uso pratici, condizioni ben accolte alla consegna.

Gravi errori di battitura nelle equazioni centrali, qualità di stampa in bianco e nero inferiore alla media, target poco chiaro, mancanza di sufficiente chiarezza e praticità, troppo accademico per i principianti.

(basato su 5 recensioni dei lettori)

Titolo originale:

Reinforcement Learning: Industrial Applications of Intelligent Agents

Contenuto del libro:

L'apprendimento per rinforzo (RL) rappresenterà uno dei maggiori progressi dell'IA nel prossimo decennio, consentendo agli algoritmi di imparare dall'ambiente circostante per raggiungere obiettivi arbitrari. Questo entusiasmante sviluppo evita i vincoli presenti nei tradizionali algoritmi di apprendimento automatico (ML). Questo libro pratico mostra ai professionisti della scienza dei dati e dell'IA come apprendere per rinforzo e consentire a una macchina di imparare da sola.

L'autore Phil Winder di Winder Research tratta di tutto, dagli elementi di base alle pratiche più avanzate. Esplorerete lo stato attuale dell'RL, vi concentrerete sulle applicazioni industriali, imparerete numerosi algoritmi e beneficerete di capitoli dedicati all'implementazione di soluzioni RL in produzione. Non si tratta di un libro di cucina; non rifugge dalla matematica e si aspetta una certa familiarità con il ML.

⬤ Imparare cos'è l'RL e come gli algoritmi aiutano a risolvere i problemi.

⬤ Prendere le basi della RL, compresi i processi decisionali di Markov, la programmazione dinamica e l'apprendimento per differenza temporale.

⬤ Approfondite una serie di metodi di gradiente di valore e di politica.

⬤ Applicare soluzioni avanzate di RL come il meta-apprendimento, l'apprendimento gerarchico, l'apprendimento multi-agente e l'apprendimento per imitazione.

⬤ Comprendere algoritmi di deep RL all'avanguardia, tra cui Rainbow, PPO, TD3, SAC e altri ancora.

⬤ Eseguire esempi pratici attraverso il sito web allegato.