Leserbewertungen
Zusammenfassung:Das Buch ist ein hochgelobter praktischer Leitfaden für Deep Reinforcement Learning, der Theorie mit praktischen Codebeispielen verbindet. Viele Leser schätzen die Klarheit, die Organisation und die Fähigkeit des Autors, komplexe Konzepte verständlich zu machen. Einige Kritiken erwähnen jedoch einen Mangel an Tiefe in den theoretischen Erklärungen und einige Ungenauigkeiten in den Definitionen.
Vorteile:⬤ Das Buch ist leicht zugänglich und gut geschrieben und richtet sich sowohl an Anfänger als auch an Personen mit Vorkenntnissen in diesem Bereich.
⬤ Detaillierte Code-Beispiele, die das Verständnis der Konzepte verbessern.
⬤ Hervorragend geeignet für die praktische Anwendung mit aktuellen Bibliotheken und Techniken.
⬤ Bietet klare Erklärungen der theoretischen Konzepte.
⬤ Sehr empfehlenswert für alle, die sich für Reinforcement Learning interessieren.
⬤ Einige Leser weisen auf Ungenauigkeiten hin, z. B. bei der Definition von Tensoren.
⬤ Nicht tief genug in der mathematischen Theorie für diejenigen, die tiefgehende Präsentationen suchen.
⬤ Erfordert zusätzliche Ressourcen, um bestimmte Konzepte vollständig zu begreifen.
⬤ Einige Beispiele können zu Verwirrung führen und erfordern weitere Nachforschungen.
(basierend auf 44 Leserbewertungen)
Originaltitel:
Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more
Inhalt des Buches:
Hinweis des Herausgebers: Diese Ausgabe aus dem Jahr 2018 ist veraltet und nicht mit den jüngsten Aktualisierungen der Python-Bibliotheken kompatibel. Eine neue, für 2020 aktualisierte dritte Auflage mit sechs neuen Kapiteln, die Multi-Agenten-Methoden, diskrete Optimierung, RL in der Robotik und fortgeschrittene Explorationstechniken umfassen, ist jetzt verfügbar.
Dieser praktische Leitfaden zeigt Ihnen, wie Deep Learning (DL) zur Lösung komplexer Probleme in der Praxis eingesetzt werden kann.
Key Features
⬤ Erforschen Sie Deep Reinforcement Learning (RL), von den ersten Prinzipien bis zu den neuesten Algorithmen.
⬤ Evaluieren Sie hochkarätige RL-Methoden, einschließlich Value Iteration, Deep Q-Networks, Policy Gradients, TRPO, PPO, DDPG, D4PG, Evolutionsstrategien und genetische Algorithmen.
⬤ Bleiben Sie auf dem Laufenden über die neuesten Entwicklungen in der Industrie, einschließlich KI-gesteuerter Chatbots.
Buchbeschreibung
Deep Reinforcement Learning Hands-On ist ein umfassender Leitfaden zu den allerneuesten DL-Tools und ihren Grenzen. Sie werden Methoden wie Cross-Entropie und Policy-Gradienten bewerten, bevor Sie sie in realen Umgebungen anwenden. Nehmen Sie es sowohl mit den virtuellen Spielen von Atari als auch mit Familienlieblingen wie Connect4 auf.
Das Buch bietet eine Einführung in die Grundlagen von RL und vermittelt Ihnen das Know-how, um intelligente Lernagenten zu programmieren, die eine ganze Reihe praktischer Aufgaben übernehmen können. Entdecken Sie, wie Sie Q-Learning in "Grid-World"-Umgebungen implementieren, Ihrem Agenten beibringen, Aktien zu kaufen und zu handeln, und erfahren Sie, wie natürliche Sprachmodelle den Boom der Chatbots vorantreiben.
(Was Sie lernen werden)
⬤ Verstehen Sie den DL-Kontext von RL und implementieren Sie komplexe DL-Modelle.
⬤ Lernen Sie die Grundlage von RL kennen: Markov-Entscheidungsprozesse.
⬤ Evaluieren Sie RL-Methoden wie Cross-Entropie, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG und andere.
⬤ Entdecken Sie, wie man mit diskreten und kontinuierlichen Handlungsräumen in verschiedenen Umgebungen umgeht.
⬤ Besiegen Sie Atari-Arcade-Spiele mit Hilfe der Wert-Iterationsmethode.
⬤ Erstellen Sie Ihre eigene OpenAI Gym-Umgebung, um einen Aktienhandelsagenten zu trainieren.
⬤ Bringen Sie Ihrem Agenten bei, Connect4 mit AlphaGo Zero zu spielen.
⬤ Erforschen Sie die allerneueste Deep-RL-Forschung zu Themen wie KI-gesteuerte Chatbots.
Für wen ist dieses Buch gedacht?
Ein gewisses Maß an Kenntnissen in Python wird vorausgesetzt. Grundlegende Deep Learning (DL)-Ansätze sollten den Lesern bekannt sein, und eine gewisse praktische Erfahrung mit DL wird hilfreich sein. Dieses Buch ist eine Einführung in Deep Reinforcement Learning (RL) und setzt keine Vorkenntnisse in RL voraus.
Weitere Daten des Buches:
| ISBN: | 9781788834247 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 546 |
Kauf:
Derzeit verfügbar, auf Lager.
