Apprendimento per rinforzo profondo con Python: Con Pytorch, Tensorflow e Openai Gym

Recensioni dei lettori

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

Titolo originale:

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

Contenuto del libro:

L'apprendimento profondo per rinforzo è una disciplina in rapida crescita che sta avendo un impatto significativo nei settori dei veicoli autonomi, della robotica, della sanità, della finanza e molti altri. Questo libro tratta l'apprendimento profondo per rinforzo utilizzando l'apprendimento deep-q e i modelli a gradiente di policy con esercizi di codifica.

Inizierete con una revisione dei processi decisionali di Markov, delle equazioni di Bellman e della programmazione dinamica, che costituiscono i concetti fondamentali e le basi dell'apprendimento per rinforzo profondo. Successivamente, si studierà l'apprendimento senza modelli, seguito dall'approssimazione di funzioni tramite reti neurali e deep learning. Seguono vari algoritmi di apprendimento profondo per rinforzo, come le reti Q profonde, vari tipi di metodi di critica d'attore e altri metodi basati sulle politiche.

Verrà inoltre analizzato il dilemma esplorazione/ sfruttamento, una considerazione chiave negli algoritmi di apprendimento per rinforzo, insieme alla ricerca ad albero Monte Carlo (MCTS), che ha giocato un ruolo fondamentale nel successo di AlphaGo. Gli ultimi capitoli si concludono con l'implementazione dell'apprendimento per rinforzo profondo utilizzando framework di apprendimento profondo popolari come TensorFlow e PyTorch. Alla fine, comprenderete il deep reinforcement learning insieme alle reti deep q e all'implementazione di modelli a gradiente di policy con TensorFlow, PyTorch e Open AI Gym.

Cosa imparerete

⬤ Esaminare il deep reinforcement learning.

⬤ Implementare algoritmi di deep learning utilizzando l'ambiente Gym di OpenAI.

⬤ Codificare i propri agenti di gioco per Atari utilizzando algoritmi di actor-critic.

⬤ Applicare le migliori pratiche per la costruzione di modelli e l'addestramento di algoritmi.

Per chi è questo libro?

Sviluppatori e architetti di machine learning che vogliono essere all'avanguardia nel campo dell'IA e del deep learning.