Deep Reinforcement Learning Hands-On - Seconda edizione: Applicare i moderni metodi di RL a problemi pratici di chatbot, robotica, ottimizzazione discreta e web.

Recensioni dei lettori

Il libro offre un mix completo di teoria e applicazione pratica dell'apprendimento per rinforzo, lodato per la sua struttura chiara e le spiegazioni dettagliate. I recensori ne apprezzano la profondità, l'ampia copertura degli argomenti e gli esempi pratici di codifica, anche se molti hanno riscontrato problemi di compatibilità del codice e di esempi obsoleti.

Eccellente mix di teoria e pratica, struttura logica, discussioni dettagliate sulle tecniche di apprendimento per rinforzo, spiegazioni chiare, capitoli ben definiti, buone immagini, copre un'ampia varietà di argomenti, adatto sia ai principianti che agli studenti esperti.

Gli esempi di codice spesso non funzionano o contengono bug, alcuni trovano gli aspetti di codifica obsoleti o incompatibili con le librerie attuali, la risoluzione dei problemi è lasciata al lettore, sono stati segnalati problemi di condizioni fisiche del libro.

(basato su 37 recensioni dei lettori)

Titolo originale:

Deep Reinforcement Learning Hands-On - Second Edition: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web

Contenuto del libro:

Nuova edizione della guida bestseller sull'apprendimento per rinforzo profondo e su come viene utilizzato per risolvere complessi problemi del mondo reale. Rivisto e ampliato per includere i metodi multi-agente, l'ottimizzazione discreta, la RL nella robotica, le tecniche di esplorazione avanzate e altro ancora.

Caratteristiche principali

⬤ Seconda edizione del bestseller di introduzione al deep reinforcement learning, ampliata con sei nuovi capitoli.

⬤ Apprende tecniche di esplorazione avanzate, tra cui reti rumorose, pseudo-conteggio e metodi di distillazione della rete.

⬤ Applicare i metodi RL a piattaforme robotiche hardware a basso costo.

Descrizione del libro

Deep Reinforcement Learning Hands-On, Second Edition è una versione aggiornata e ampliata della guida più venduta agli strumenti e alle tecniche più recenti di apprendimento per rinforzo (RL). Fornisce un'introduzione ai fondamenti dell'RL, insieme all'abilità pratica di codificare agenti di apprendimento intelligenti per eseguire una serie di compiti pratici.

Grazie a sei nuovi capitoli dedicati a una serie di sviluppi aggiornati nel campo della RL, tra cui l'ottimizzazione discreta (risoluzione del cubo di Rubik), i metodi multi-agente, l'ambiente TextWorld di Microsoft, le tecniche di esplorazione avanzate e molto altro ancora, il lettore uscirà da questo libro con una profonda comprensione delle ultime innovazioni in questo campo emergente.

Inoltre, potrete acquisire informazioni utili su aree tematiche quali le reti Q profonde, i metodi a gradiente politico, i problemi di controllo continuo e i metodi non a gradiente altamente scalabili. Scoprirete anche come costruire un vero robot hardware addestrato con l'RL per meno di 100 dollari e come risolvere l'ambiente Pong in soli 30 minuti di addestramento utilizzando l'ottimizzazione del codice passo dopo passo.

In breve, Deep Reinforcement Learning Hands-On, Second Edition, è il vostro compagno per navigare nelle eccitanti complessità dell'RL, aiutandovi a raggiungere esperienza e conoscenza attraverso esempi reali.

Che cosa imparerete?

⬤ Comprendere il contesto di deep learning della RL e implementare modelli complessi di deep learning.

⬤ Valutare i metodi di RL, tra cui cross-entropy, DQN, actor-critic, TRPO, PPO, DDPG, D4PG e altri.

⬤ Costruire un robot hardware pratico addestrato con metodi RL con meno di 100 dollari.

⬤ Scoprire l'ambiente TextWorld di Microsoft, una piattaforma di giochi interattivi di finzione.

⬤ Utilizzare l'ottimizzazione discreta in RL per risolvere un cubo di Rubik.

⬤ Insegnate al vostro agente a giocare a Connect 4 utilizzando AlphaGo Zero.

⬤ Esplorare le più recenti ricerche di deep RL su argomenti come i chatbot AI.

⬤ Scoprire tecniche di esplorazione avanzate, tra cui reti rumorose e tecniche di distillazione della rete.

Per chi è questo libro

Si presuppone una certa dimestichezza con Python. Una buona conoscenza dei fondamenti del deep learning sarà utile. Questo libro è un'introduzione alla deep RL e non richiede alcun background in RL.