Fondamenti dell'apprendimento per rinforzo profondo: Teoria e pratica in Python

Recensioni dei lettori

Il libro è apprezzato per le spiegazioni chiare e l'approccio pratico al deep reinforcement learning (DRL), offrendo una solida risorsa per i lettori che vogliono implementare gli algoritmi. Tuttavia, le critiche evidenziano la scarsa qualità della carta, i problemi con l'edizione Kindle e la dipendenza da un framework personalizzato che potrebbe scoraggiare alcuni lettori.

⬤ Spiegazioni chiare e ben strutturate dei concetti e degli algoritmi DRL.
⬤ Risorse pratiche, tra cui codice di esempio e repo GitHub per l'implementazione.
⬤ Adatto a lettori con diversi livelli di esperienza.
⬤ Copertura concisa degli argomenti, che rende gestibile l'apprendimento.
⬤ Utile per collegare la teoria alla pratica, facilitando l'apprendimento pratico.

⬤ Qualità della carta scadente e problemi di stampa segnalati, tra cui cattivo odore e pagine sottili.
⬤ L'edizione Kindle presenta problemi di formattazione delle formule che ne compromettono la fruibilità.
⬤ Forte dipendenza dal framework personalizzato degli autori (SLM Lab), che potrebbe non piacere a chi preferisce esempi di codifica più universali.
⬤ Alcuni esempi sono obsoleti e richiedono ai lettori di adattare il codice per lavorare con librerie aggiornate.

(basato su 27 recensioni dei lettori)

Titolo originale:

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

Contenuto del libro:

L'introduzione contemporanea all'apprendimento per rinforzo profondo che combina teoria e pratica.

L'apprendimento profondo per rinforzo (deep reinforcement learning, RL) combina l'apprendimento profondo e l'apprendimento per rinforzo, in cui gli agenti artificiali imparano a risolvere problemi decisionali sequenziali. Nell'ultimo decennio il deep RL ha ottenuto risultati notevoli su una serie di problemi, dai giochi singoli e multigiocatore, come Go, Atari games e DotA 2, alla robotica.

Foundations of Deep Reinforcement Learning" è un'introduzione al deep RL che combina in modo unico teoria e implementazione. Inizia con l'intuizione, poi spiega attentamente la teoria degli algoritmi di deep RL, discute le implementazioni nella libreria software SLM Lab e termina con i dettagli pratici per far funzionare il deep RL.

Questa guida è ideale sia per gli studenti di informatica che per gli ingegneri del software che hanno familiarità con i concetti di base dell'apprendimento automatico e hanno una conoscenza pratica di Python.

⬤ Comprendere ogni aspetto chiave di un problema di deep RL.

⬤ Esplora gli algoritmi basati su politiche e valori, tra cui REINFORCE, SARSA, DQN, Double DQN e Prioritized Experience Replay (PER).

⬤ Approfondite gli algoritmi combinati, tra cui Actor-Critic e Proximal Policy Optimization (PPO).

⬤ Capire come gli algoritmi possono essere parallelizzati in modo sincrono e asincrono.

⬤ Eseguire gli algoritmi in SLM Lab e apprendere i dettagli pratici dell'implementazione per far funzionare la deep RL.

⬤ Esplorare i risultati dei benchmark degli algoritmi con iperparametri regolati.

⬤ Capire come vengono progettati gli ambienti di deep RL.

Registrate il vostro libro per accedere comodamente a download, aggiornamenti e/o correzioni non appena disponibili. Per i dettagli, vedere l'interno del libro.