Recensioni dei lettori
Riepilogo:Il libro fornisce un'introduzione strutturata e chiara all'apprendimento per rinforzo, collegando efficacemente concetti complessi e offrendo esempi pratici di codifica. Tuttavia, alcuni lettori lo hanno criticato per la scarsa qualità dei contenuti, il codice obsoleto e le spiegazioni insufficienti.
Vantaggi:⬤ Presentazione organizzata di concetti complessi di apprendimento per rinforzo.
⬤ Collega senza soluzione di continuità i diversi aspetti dell'argomento.
⬤ Esempi pratici di codifica e implementazioni in PyTorch e TensorFlow.
⬤ Adatto a vari livelli di conoscenza, compresi i principianti.
⬤ Alcuni lettori hanno trovato il contenuto poco approfondito e poco chiaro.
⬤ Problemi di qualità del codice, compresi bug ed errori.
⬤ Alcuni ritengono che non sia all'altezza di altre risorse sull'apprendimento per rinforzo.
(basato su 7 recensioni dei lettori)
Titolo originale:
Practical Deep Reinforcement Learning with Python: Concise Implementation of Algorithms, Simplified Maths, and Effective Use of TensorFlow and PyTorch
Contenuto del libro:
Introduzione allo sviluppo pratico di agenti intelligenti con Python, PyTorch e TensorFlow.
CARATTERISTICHE CHIAVE
⬤ Esposizione a note tecniche di RL, tra cui Monte-Carlo, Deep Q-Learning, Policy Gradient e Actor-Critical.
⬤ Esperienza pratica con TensorFlow e PyTorch su progetti di apprendimento per rinforzo.
⬤ Tutto è conciso, aggiornato e spiegato visivamente con una matematica semplificata.
DESCRIZIONE
L'apprendimento per rinforzo è un'affascinante branca dell'IA che si differenzia dall'apprendimento automatico standard per diversi aspetti. L'adattamento e l'apprendimento in un ambiente imprevedibile sono la parte di questo progetto. Al giorno d'oggi esistono numerose applicazioni reali per l'apprendimento per rinforzo, tra cui la medicina, il gioco d'azzardo, l'attività di imitazione umana e la robotica.
Questo libro introduce i lettori all'apprendimento per rinforzo da un punto di vista pragmatico. Il libro coinvolge la matematica, ma non cerca di sovraccaricare il lettore, che è un principiante nel campo dell'apprendimento per rinforzo.
Il libro porta all'attenzione del lettore molti metodi innovativi per l'apprendimento pratico, tra cui i metodi Monte-Carlo, Deep Q-Learning, Policy Gradient e Actor-Critical. Oltre a comprendere queste tecniche nel dettaglio, il libro fornisce anche un'implementazione reale di questi metodi e tecniche utilizzando la potenza di TensorFlow e PyTorch. Il libro presenta alcuni progetti interessanti che mostrano la potenza dell'apprendimento per rinforzo, senza contare che tutto è conciso, aggiornato e spiegato visivamente.
Al termine di questo libro, il lettore avrà una comprensione approfondita e intuitiva del moderno apprendimento per rinforzo e delle sue applicazioni, che lo aiuterà enormemente ad addentrarsi nell'interessante campo dell'apprendimento per rinforzo.
COSA IMPARERETE
⬤ Familiarizzare con i fondamenti del Reinforcement Learning e del Deep Reinforcement Learning.
⬤ Utilizzare Python e il framework Gym per modellare un ambiente esterno.
⬤ Applicare le tecniche classiche di Q-learning, Monte Carlo, Policy Gradient e Thompson sampling.
⬤ Esplorare TensorFlow e PyTorch per mettere in pratica i fondamenti del deep reinforcement learning.
⬤ Progettare un agente intelligente per un particolare problema utilizzando una tecnica specifica.
PER CHI È QUESTO LIBRO
Questo libro si rivolge agli ingegneri dell'apprendimento automatico, ai fanatici dell'apprendimento profondo, agli sviluppatori di software AI, agli scienziati dei dati e ad altri professionisti dei dati desiderosi di imparare e applicare l'apprendimento per rinforzo ai progetti in corso. Non è necessaria alcuna conoscenza specialistica dell'apprendimento automatico.
Tuttavia, è auspicabile una buona conoscenza di Python.
Altre informazioni sul libro:
| ISBN: | 9789355512062 |
| Autore: | |
| Editore: | |
| Lingua: | inglese |
| Rilegatura: | Copertina morbida |
Acquisto:
Attualmente disponibile, in magazzino.
