Leserbewertungen
Zusammenfassung:Die zweite Auflage von „Deep Reinforcement Learning with Python“ wird weithin für seine Klarheit, die umfassende Abdeckung von Reinforcement-Learning-Konzepten und die praktischen, praxisnahen Programmierbeispiele mit TensorFlow 2.0 und OpenAI Gym gelobt. Einige Leser finden es jedoch veraltet in Bezug auf seine Software-Abhängigkeiten und frustrierend wegen der fehlenden Erklärung von Konzepten in bestimmten Beispielen.
Vorteile:⬤ Klare Erklärungen und schrittweiser Aufbau der Konzepte von grundlegenden zu fortgeschrittenen RL-Themen.
⬤ Praktische Übungen mit TensorFlow
⬤ 0 und OpenAI Gym, die das praktische Lernen unterstützen.
⬤ Sehr detaillierte und umfassende Abdeckung einer breiten Palette von Reinforcement-Learning-Algorithmen.
⬤ Visuelle Illustrationen verbessern das Verständnis.
⬤ Signifikante Verbesserung gegenüber der ersten Auflage, einschließlich detaillierter mathematischer Erklärungen.
⬤ Einige Inhalte können sich veraltet anfühlen, insbesondere aufgrund des Rückgriffs auf TensorFlow
⬤ x für bestimmte Beispiele.
⬤ Mangel an detaillierten Erklärungen in einigen Beispielen, was zu Verwirrung über die Überlegungen hinter bestimmten Entscheidungen führt.
⬤ Das Buch ist lang (700 Seiten), was manche Leser als überwältigend empfinden und eine Aufteilung in eine Anfänger- und eine Fortgeschrittenenversion vorschlagen.
⬤ Die Installationsanweisungen für die Code-Umgebung werden von einigen Benutzern als unzureichend empfunden.
(basierend auf 21 Leserbewertungen)
Originaltitel:
Deep Reinforcement Learning with Python - Second Edition
Inhalt des Buches:
Ein Handbuch mit vielen Beispielen für Anfänger, die ihre Reise zum Reinforcement und Deep Reinforcement Learning mit modernsten Algorithmen beginnen möchten
Hauptmerkmale
⬤ Deckt ein breites Spektrum von grundlegenden bis zu fortgeschrittenen RL-Algorithmen mit mathematischen Erklärungen zu jedem Algorithmus ab.
⬤ Lernen Sie, wie man Algorithmen mit Code implementiert, indem Sie Beispielen mit zeilenweisen Erklärungen folgen.
⬤ Erforschen Sie die neuesten RL-Methoden wie DDPG, PPO und die Verwendung von Expertendemonstrationen.
Buchbeschreibung
Da sich die Qualität und Quantität der Algorithmen in den letzten Jahren erheblich verbessert hat, wurde diese zweite Auflage von Hands-On Reinforcement Learning with Python zu einem beispielreichen Leitfaden für das Erlernen modernster Reinforcement Learning (RL) und Deep RL Algorithmen mit TensorFlow 2 und dem OpenAI Gym Toolkit überarbeitet.
Neben der Erforschung von RL-Grundlagen und grundlegenden Konzepten wie Bellman-Gleichung, Markov-Entscheidungsprozessen und dynamischen Programmieralgorithmen taucht diese zweite Auflage tief in das gesamte Spektrum der wertbasierten, richtlinienbasierten und akteurskritischen RL-Methoden ein. Es werden modernste Algorithmen wie DQN, TRPO, PPO und ACKTR, DDPG, TD3 und SAC eingehend untersucht, wobei die zugrundeliegende Mathematik entmystifiziert und Implementierungen durch einfache Codebeispiele demonstriert werden.
Das Buch enthält mehrere neue Kapitel, die neuen RL-Techniken gewidmet sind, darunter Distributional RL, Imitationslernen, inverses RL und Meta-RL. Sie werden lernen, stabile Baselines, eine Verbesserung der OpenAI Baseline-Bibliothek, zu nutzen, um beliebte RL-Algorithmen mühelos zu implementieren. Das Buch schließt mit einem Überblick über vielversprechende Ansätze wie Meta-Learning und Imagination Augmented Agents in der Forschung.
Am Ende werden Sie in der Lage sein, RL und Deep RL effektiv in Ihren realen Projekten einzusetzen.
(Was Sie lernen werden)
⬤ Verstehen Sie die Kernkonzepte von RL, einschließlich der Methodik, Mathematik und des Codes.
⬤ Trainieren Sie einen Agenten, um Blackjack, FrozenLake und viele andere Probleme mit OpenAI Gym zu lösen.
⬤ Trainieren Sie einen Agenten, um Ms Pac-Man mit einem Deep Q Network zu spielen.
⬤ Lernen Sie politikbasierte, wertbasierte und akteurskritische Methoden kennen.
⬤ Beherrschen Sie die mathematischen Grundlagen von DDPG, TD3, TRPO, PPO und vielen anderen.
⬤ Erforschen Sie neue Wege wie das verteilungsbasierte RL, das Meta-RL und das inverse RL.
⬤ Verwenden Sie Stable Baselines, um einen Agenten zu trainieren, zu laufen und Atari-Spiele zu spielen.
Für wen ist dieses Buch gedacht?
Wenn Sie ein Entwickler im Bereich des maschinellen Lernens sind, der wenig oder gar keine Erfahrung mit neuronalen Netzen hat und sich für künstliche Intelligenz interessiert und das Reinforcement Learning von Grund auf erlernen möchte, ist dieses Buch genau das Richtige für Sie.
Grundlegende Vertrautheit mit linearer Algebra, Kalkül und der Programmiersprache Python ist erforderlich. Etwas Erfahrung mit TensorFlow wäre ein Plus.
Weitere Daten des Buches:
| ISBN: | 9781839210686 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
