Deep Reinforcement Learning Hands-On: applicare i moderni metodi di RL, con reti Q profonde, iterazione del valore, gradienti di policy, TRPO, AlphaGo Zero e altro ancora.

Recensioni dei lettori

Il libro è una guida pratica molto apprezzata sul Deep Reinforcement Learning, che unisce la teoria a esempi pratici di codice. Molti lettori ne apprezzano la chiarezza, l'organizzazione e la capacità dell'autore di rendere accessibili concetti complessi. Tuttavia, alcune critiche menzionano una mancanza di profondità nelle spiegazioni teoriche e alcune imprecisioni nelle definizioni.

⬤ Facilmente accessibile e ben scritto, si rivolge sia ai principianti che a coloro che hanno una conoscenza pregressa del settore.
⬤ Esempi di codice dettagliati che migliorano la comprensione dei concetti.
⬤ Ottimo per l'applicazione pratica con librerie e tecniche recenti.
⬤ Fornisce spiegazioni chiare dei concetti teorici.
⬤ Altamente raccomandato per chiunque sia interessato al Reinforcement Learning.

⬤ Alcuni lettori notano delle imprecisioni, come la definizione di tensori.
⬤ Non è abbastanza profondo nella teoria matematica per chi cerca presentazioni approfondite.
⬤ Richiede risorse aggiuntive per comprendere appieno alcuni concetti.
⬤ Alcuni esempi possono generare confusione e richiedere ulteriori ricerche.

(basato su 44 recensioni dei lettori)

Titolo originale:

Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more

Contenuto del libro:

Nota dell'editore: questa edizione del 2018 è obsoleta e non è compatibile con i più recenti aggiornamenti delle librerie Python. È ora disponibile una nuova terza edizione, aggiornata per il 2020 con sei nuovi capitoli che includono metodi multi-agente, ottimizzazione discreta, RL nella robotica e tecniche di esplorazione avanzate.

Questa guida pratica vi insegnerà come il deep learning (DL) può essere utilizzato per risolvere complessi problemi del mondo reale.

Caratteristiche principali

⬤ Esplora il deep reinforcement learning (RL), dai primi principi agli algoritmi più recenti.

⬤ Valutare metodi di RL di alto profilo, tra cui l'iterazione del valore, le reti Q profonde, i gradienti di policy, TRPO, PPO, DDPG, D4PG, le strategie di evoluzione e gli algoritmi genetici.

⬤ Tenere il passo con gli ultimi sviluppi del settore, compresi i chatbot guidati dall'intelligenza artificiale.

Descrizione del libro

Deep Reinforcement Learning Hands-On è una guida completa ai più recenti strumenti di DL e ai loro limiti. Valuterete metodi come la Cross-entropy e i gradienti di policy, prima di applicarli ad ambienti reali. Affrontate sia la serie di giochi virtuali Atari che i preferiti dalle famiglie, come Connect4.

Il libro fornisce un'introduzione alle basi della RL, dandovi il know-how per codificare agenti di apprendimento intelligenti per affrontare una serie formidabile di compiti pratici. Scoprite come implementare il Q-learning in ambienti "grid world", insegnate al vostro agente a comprare e scambiare azioni e scoprite come i modelli di linguaggio naturale stanno guidando il boom dei chatbot.

Che cosa imparerete?

⬤ Comprendere il contesto DL della RL e implementare modelli DL complessi.

⬤ Imparare le basi della RL: i processi decisionali di Markov.

⬤ Valutare i metodi di RL tra cui Cross-entropy, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG e altri.

⬤ Scoprire come gestire spazi d'azione discreti e continui in vari ambienti.

⬤ Sconfiggere i giochi arcade Atari utilizzando il metodo dell'iterazione dei valori.

⬤ Creare il proprio ambiente OpenAI Gym per addestrare un agente di trading azionario.

⬤ Insegnate al vostro agente a giocare a Connect4 utilizzando AlphaGo Zero.

⬤ Esplorare le più recenti ricerche sulla RL profonda su argomenti quali i chatbot guidati dall'intelligenza artificiale.

Per chi è questo libro?

Si presuppone una certa dimestichezza con Python. Gli approcci di base al deep learning (DL) dovrebbero essere familiari ai lettori e una certa esperienza pratica nel DL sarà utile. Questo libro è un'introduzione al deep reinforcement learning (RL) e non richiede alcun background in RL.