Bewertung:
Das Buch ist sehr empfehlenswert für alle, die sich mit angewandtem Reinforcement Learning (RL) beschäftigen, da es einen praktischen Leitfaden mit Beispielen aus der Praxis und modernen Methoden bietet. Es ist zwar gut geschrieben und deckt ein breites Themenspektrum von den Grundlagen bis zu fortgeschrittenen Anwendungen ab, ist aber nicht für absolute Anfänger geeignet und erfordert ein gewisses Hintergrundwissen in Statistik, Wahrscheinlichkeit und Python-Programmierung. Die Formatierung und die Präsentation des Buches haben jedoch Kritik erhalten.
Vorteile:⬤ Großer Lesefluss und leicht nachvollziehbare Python-Codes.
⬤ Praktischer Leitfaden mit realen Beispielen und Anwendungen.
⬤ Deckt ein breites Spektrum von RL-Themen ab, einschließlich fortgeschrittener Konzepte.
⬤ Bietet externe Ressourcen für ein tieferes Verständnis.
⬤ Geeignet für fortgeschrittene Anwender und Praktiker, die RL-Lösungen implementieren wollen.
⬤ Nicht für absolute Anfänger geeignet; erfordert Vorkenntnisse in Statistik, Wahrscheinlichkeitsrechnung und einige Programmierkenntnisse in Python.
⬤ Schlechte Formatierung und Präsentationsqualität mit Problemen wie inkonsistenter Silbentrennung und unscharfen Bildern.
(basierend auf 13 Leserbewertungen)
Mastering Reinforcement Learning with Python: Build next-generation, self-learning models using reinforcement learning techniques and best practices
Erhalten Sie praktische Erfahrung in der Erstellung von hochmodernen Reinforcement Learning Agenten mit TensorFlow und RLlib, um komplexe reale Geschäfts- und Industrieprobleme mit Hilfe von Expertentipps und Best Practices zu lösen
Key Features:
⬤ Verstehen Sie, wie moderne RL-Algorithmen und -Ansätze im großen Maßstab funktionieren.
⬤ Wenden Sie RL an, um komplexe Probleme in den Bereichen Marketing, Robotik, Lieferkette, Finanzen, Cybersicherheit und mehr zu lösen.
⬤ Entdecken Sie Tipps und Best Practices von Experten, die Sie in die Lage versetzen, RL-Herausforderungen in der Praxis zu meistern.
Buchbeschreibung:
Verstärkungslernen (Reinforcement Learning, RL) ist ein Bereich der künstlichen Intelligenz (AI), der zur Entwicklung selbstlernender autonomer Agenten eingesetzt wird. Aufbauend auf einer soliden theoretischen Grundlage verfolgt dieses Buch einen praktischen Ansatz und verwendet Beispiele, die von realen Problemen der Industrie inspiriert sind, um Ihnen den neuesten Stand des RL zu vermitteln.
Beginnend mit Bandit-Problemen, Markov-Entscheidungsprozessen und dynamischer Programmierung bietet das Buch einen ausführlichen Überblick über die klassischen RL-Techniken, wie Monte-Carlo-Methoden und Zeitdifferenzlernen. Danach erfahren Sie mehr über Deep Q-Learning, Policy-Gradient-Algorithmen, Actor-Critic-Methoden, modellbasierte Methoden und Multi-Agent Reinforcement Learning. Anschließend lernen Sie einige der wichtigsten Ansätze kennen, die hinter den erfolgreichsten RL-Implementierungen stehen, wie z. B. Domänenrandomisierung und neugiergetriebenes Lernen.
Im weiteren Verlauf werden Sie viele neue Algorithmen mit fortgeschrittenen Implementierungen unter Verwendung moderner Python-Bibliotheken wie TensorFlow und dem RLlib-Paket von Ray erforschen. Sie werden auch herausfinden, wie man RL in Bereichen wie Robotik, Supply Chain Management, Marketing, Finanzen, Smart Cities und Cybersicherheit implementiert, während Sie die Kompromisse zwischen verschiedenen Ansätzen bewerten und häufige Fallstricke vermeiden.
Am Ende dieses Buches werden Sie wissen, wie Sie Ihre eigenen RL-Agenten trainieren und einsetzen können, um RL-Probleme zu lösen.
Was Sie lernen werden:
⬤ Modellieren und lösen Sie komplexe sequentielle Entscheidungsprobleme mit RL.
⬤ Entwickeln Sie ein solides Verständnis dafür, wie moderne RL-Methoden funktionieren.
⬤ Python und TensorFlow verwenden, um RL-Algorithmen von Grund auf zu programmieren.
⬤ Parallelisieren und skalieren Sie Ihre RL-Implementierungen mit dem RLlib-Paket von Ray.
⬤ Vertieftes Wissen über eine Vielzahl von RL-Themen erwerben.
⬤ Verstehen Sie die Kompromisse zwischen verschiedenen RL-Ansätzen.
⬤ Entdecken Sie die Herausforderungen bei der Implementierung von RL in der realen Welt.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Experten für maschinelles Lernen und Forscher, die sich auf praktisches Reinforcement Learning mit Python konzentrieren möchten, indem sie fortgeschrittene Konzepte des Deep Reinforcement Learning in realen Projekten implementieren. Experten für Reinforcement Learning, die ihr Wissen erweitern wollen, um große und komplexe sequentielle Entscheidungsprobleme anzugehen, werden dieses Buch ebenfalls nützlich finden. Arbeitskenntnisse in der Python-Programmierung und im Deep Learning sowie Vorerfahrungen im Reinforcement Learning sind erforderlich.
| ISBN: | 9781838644147 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
