Leserbewertungen
Zusammenfassung:Das Buch bietet eine umfassende Mischung aus Theorie und praktischer Anwendung im Bereich des Reinforcement Learning und wird für seine klare Struktur und detaillierten Erklärungen gelobt. Die Rezensenten schätzen die Tiefe, die breite Abdeckung der Themen und die praktischen Programmierbeispiele, obwohl viele Probleme mit der Kompatibilität des Codes und veralteten Beispielen haben.
Vorteile:Ausgezeichnete Mischung aus Theorie und Praxis, logisch strukturiert, ausführliche Erörterung von Reinforcement-Learning-Techniken, klare Erklärungen, gut definierte Kapitel, gutes Bildmaterial, deckt eine Vielzahl von Themen ab, sowohl für Anfänger als auch für erfahrene Lernende geeignet.
Nachteile:Code-Beispiele laufen oft nicht oder enthalten Fehler, einige finden die Kodierungsaspekte veraltet oder inkompatibel mit aktuellen Bibliotheken, Fehlersuche wird dem Leser überlassen, es wird über den Zustand des Buches berichtet.
(basierend auf 37 Leserbewertungen)
Originaltitel:
Deep Reinforcement Learning Hands-On - Second Edition: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web
Inhalt des Buches:
Neue Ausgabe des Bestsellers über Deep Reinforcement Learning und wie es zur Lösung komplexer Probleme in der Praxis eingesetzt wird. Überarbeitet und erweitert um Multi-Agenten-Methoden, diskrete Optimierung, RL in der Robotik, fortgeschrittene Explorationstechniken und mehr
Hauptmerkmale
⬤ Zweite Auflage des Bestsellers Einführung in Deep Reinforcement Learning, erweitert um sechs neue Kapitel.
⬤ Erlernen Sie fortgeschrittene Explorationstechniken, einschließlich verrauschter Netzwerke, Pseudo-Count und Netzwerk-Destillationsmethoden.
⬤ Wenden Sie RL-Methoden auf billige Hardware-Roboterplattformen an.
Buchbeschreibung
Deep Reinforcement Learning Hands-On, Second Edition ist eine aktualisierte und erweiterte Version des Bestsellers zu den allerneuesten Reinforcement Learning (RL) Tools und Techniken. Es bietet Ihnen eine Einführung in die Grundlagen von RL, zusammen mit der praktischen Fähigkeit, intelligente Lernagenten zu programmieren, um eine Reihe von praktischen Aufgaben zu erfüllen.
Sechs neue Kapitel widmen sich einer Vielzahl aktueller Entwicklungen im RL-Bereich, darunter diskrete Optimierung (Lösung des Rubik-Würfels), Multi-Agenten-Methoden, Microsofts TextWorld-Umgebung, fortgeschrittene Explorationstechniken und mehr. Sie werden dieses Buch mit einem tiefen Verständnis der neuesten Innovationen in diesem aufstrebenden Bereich verlassen.
Darüber hinaus erhalten Sie umsetzbare Einblicke in Themenbereiche wie tiefe Q-Netze, Policy-Gradienten-Methoden, kontinuierliche Kontrollprobleme und hoch skalierbare, nicht-gradientenbasierte Methoden. Sie werden auch erfahren, wie Sie einen echten, mit RL trainierten Hardware-Roboter für weniger als 100 Dollar bauen und die Pong-Umgebung in nur 30 Minuten Training mit schrittweiser Code-Optimierung lösen können.
Kurz gesagt, Deep Reinforcement Learning Hands-On, Second Edition, ist Ihr Begleiter, um die aufregenden Komplexitäten von RL zu navigieren, da es Ihnen hilft, Erfahrung und Wissen durch Beispiele aus der Praxis zu erlangen.
(Was Sie lernen werden)
⬤ Den Deep-Learning-Kontext von RL zu verstehen und komplexe Deep-Learning-Modelle zu implementieren.
⬤ Evaluieren Sie RL-Methoden wie Cross-Entropie, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG und andere.
⬤ Bauen Sie einen praktischen Hardware-Roboter, der mit RL-Methoden trainiert wurde, für weniger als 100 $.
⬤ Microsoft's TextWorld-Umgebung, eine Plattform für interaktive fiktive Spiele, kennenlernen.
⬤ Diskrete Optimierung in RL verwenden, um einen Rubik's Cube zu lösen.
⬤ Bringen Sie Ihrem Agenten bei, wie man mit AlphaGo Zero Connect 4 spielt.
⬤ Erforschen Sie die allerneueste RL-Forschung zu Themen wie KI-Chatbots.
⬤ Entdecken Sie fortgeschrittene Explorationstechniken, einschließlich verrauschter Netzwerke und Netzwerkdestillationstechniken.
Für wen ist dieses Buch gedacht?
Gewisse Kenntnisse in Python werden vorausgesetzt. Ein solides Verständnis der Grundlagen des Deep Learning ist hilfreich. Dieses Buch ist eine Einführung in Deep RL und setzt keine Vorkenntnisse in RL voraus.
Weitere Daten des Buches:
| ISBN: | 9781838826994 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 826 |
Kauf:
Derzeit verfügbar, auf Lager.
