Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 12 Stimmen.
Reinforcement Learning Algorithms with Python
Entwickeln Sie selbstlernende Algorithmen und Agenten mit TensorFlow und anderen Python-Tools, -Frameworks und -Bibliotheken Hauptmerkmale Lernen Sie, entwickeln Sie und setzen Sie fortgeschrittene Reinforcement-Learning-Algorithmen ein, um eine Vielzahl von Aufgaben zu lösen Verstehen und entwickeln Sie modellfreie und modellbasierte Algorithmen zum Aufbau selbstlernender Agenten Arbeiten Sie mit fortgeschrittenen Reinforcement-Learning-Konzepten und -Algorithmen wie Imitationslernen und Evolutionsstrategien Buchbeschreibung
Reinforcement Learning (RL) ist ein populärer und vielversprechender Zweig der Künstlichen Intelligenz, bei dem es darum geht, intelligentere Modelle und Agenten zu entwickeln, die automatisch das ideale Verhalten auf der Grundlage wechselnder Anforderungen bestimmen können. Dieses Buch hilft Ihnen, RL-Algorithmen zu beherrschen und ihre Implementierung zu verstehen, wenn Sie selbstlernende Agenten entwickeln.
Dieses Buch beginnt mit einer Einführung in die Werkzeuge, Bibliotheken und Einstellungen, die für die Arbeit in der RL-Umgebung erforderlich sind, und behandelt die Bausteine von RL sowie wertbasierte Methoden, wie die Anwendung von Q-Learning und SARSA-Algorithmen. Sie werden lernen, wie Sie eine Kombination aus Q-Learning und neuronalen Netzen zur Lösung komplexer Probleme einsetzen können. Darüber hinaus lernen Sie die Policy-Gradient-Methoden TRPO und PPO kennen, um die Leistung und Stabilität zu verbessern, bevor Sie zu den deterministischen Algorithmen DDPG und TD3 übergehen. In diesem Buch wird auch behandelt, wie Nachahmungslerntechniken funktionieren und wie Dagger einem Agenten das Fahren beibringen kann. Sie werden evolutionäre Strategien und Black-Box-Optimierungstechniken kennenlernen und sehen, wie sie RL-Algorithmen verbessern können. Schließlich werden Sie sich mit Explorationsansätzen wie UCB und UCB1 auseinandersetzen und einen Meta-Algorithmus namens ESBAS entwickeln.
Am Ende des Buches werden Sie mit den wichtigsten RL-Algorithmen gearbeitet haben, um Herausforderungen in realen Anwendungen zu meistern und Teil der RL-Forschungsgemeinschaft zu sein. Was Sie lernen werden Entwickeln Sie einen Agenten, um CartPole mit der OpenAI Gym-Schnittstelle zu spielen Entdecken Sie das Paradigma des modellbasierten Verstärkungslernens Lösen Sie das Frozen Lake-Problem mit dynamischer Programmierung Erforschen Sie Q-Learning und SARSA im Hinblick auf das Spielen eines Taxispiels Wenden Sie Deep Q-Networks (DQNs) auf Atari-Spiele mit Gym an Studieren Sie Policy-Gradient-Algorithmen, einschließlich Actor-Critic und REINFORCE Verstehen und Anwenden von PPO und TRPO in Umgebungen mit kontinuierlicher Fortbewegung Beherrschen von Evolutionsstrategien zur Lösung des Mondlandeproblems Für wen dieses Buch gedacht ist
Wenn Sie ein KI-Forscher, ein Deep-Learning-Anwender oder jemand sind, der Reinforcement Learning von Grund auf lernen möchte, ist dieses Buch genau das Richtige für Sie. Sie werden dieses Buch über Reinforcement Learning auch nützlich finden, wenn Sie sich über die Fortschritte auf diesem Gebiet informieren möchten. Arbeitskenntnisse in Python sind erforderlich. Inhaltsverzeichnis Die Landschaft des Reinforcement Learning Implementierung von RL Cycle und OpenAI Gym Problemlösung mit dynamischer Programmierung Q-Learning und SARSA-Anwendungen Deep Q-Network Learning Stochastische und DDPG-Optimierung TRPO- und PPO-Implementierung DDPG- und TD3-Anwendungen Modellbasiertes RL Imitationslernen mit dem DAgger-Algorithmus Black-Box-Optimierungsalgorithmen verstehen Entwicklung des ESBAS-Algorithmus Praktische Implementierung zur Lösung von RL-Herausforderungen
| ISBN: | 9781789131116 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
