Leserbewertungen
Zusammenfassung:Das Buch wird für seine klaren Erklärungen und seinen praktischen Ansatz zum Deep Reinforcement Learning (DRL) gelobt und bietet eine solide Ressource für Leser, die Algorithmen implementieren möchten. Die Kritiken heben jedoch die schlechte Papierqualität, Probleme mit der Kindle-Ausgabe und die Abhängigkeit von einem benutzerdefinierten Framework hervor, die einige Leser abschrecken könnten.
Vorteile:⬤ Klare und gut strukturierte Erklärungen von DRL-Konzepten und -Algorithmen.
⬤ Praktische Ressourcen einschließlich Beispielcode und GitHub Repo für die Implementierung.
⬤ Gut für Leser mit unterschiedlichem Erfahrungsstand.
⬤ Prägnante Themenabdeckung, die das Lernen überschaubar macht.
⬤ Hilfreich bei der Verknüpfung von Theorie und Praxis, um das praktische Lernen zu erleichtern.
⬤ Schlechte Papierqualität und Druckprobleme, darunter schlechter Geruch und dünne Seiten.
⬤ Die Kindle-Ausgabe hat Formatierungsprobleme mit Formeln, die die Benutzerfreundlichkeit beeinträchtigen.
⬤ Starker Rückgriff auf das von den Autoren entwickelte Framework (SLM Lab), was für diejenigen, die universellere Programmierbeispiele bevorzugen, nicht unbedingt attraktiv ist.
⬤ Einige Beispiele sind veraltet und erfordern, dass der Leser den Code an die aktuellen Bibliotheken anpasst.
(basierend auf 27 Leserbewertungen)
Originaltitel:
Foundations of Deep Reinforcement Learning: Theory and Practice in Python
Inhalt des Buches:
Die zeitgemäße Einführung in Deep Reinforcement Learning, die Theorie und Praxis verbindet
Deep Reinforcement Learning (Deep RL) kombiniert Deep Learning und Reinforcement Learning, bei dem künstliche Agenten lernen, sequenzielle Entscheidungsprobleme zu lösen. In den letzten zehn Jahren hat Deep RL bemerkenswerte Ergebnisse bei einer Reihe von Problemen erzielt, von Einzel- und Multiplayer-Spielen - wie Go, Atari-Spiele und DotA 2 - bis hin zur Robotik.
Foundations of Deep Reinforcement Learning ist eine Einführung in Deep RL, die in einzigartiger Weise Theorie und Implementierung kombiniert. Es beginnt mit der Intuition, erklärt dann sorgfältig die Theorie der Deep-RL-Algorithmen, bespricht die Implementierungen in der dazugehörigen Softwarebibliothek SLM Lab und endet mit den praktischen Details, wie Deep RL funktioniert.
Dieser Leitfaden ist ideal für Informatikstudenten und Softwareingenieure, die mit grundlegenden Konzepten des maschinellen Lernens vertraut sind und über ein funktionierendes Verständnis von Python verfügen.
⬤ Verstehen Sie jeden Schlüsselaspekt eines Deep-RL-Problems.
⬤ Erforschen Sie richtlinien- und wertbasierte Algorithmen, einschließlich REINFORCE, SARSA, DQN, Double DQN und Prioritized Experience Replay (PER)
⬤ Kombinierte Algorithmen, einschließlich Actor-Critic und Proximal Policy Optimization (PPO)
⬤ Verstehen, wie Algorithmen synchron und asynchron parallelisiert werden können.
⬤ Ausführen von Algorithmen im SLM-Labor und Erlernen der praktischen Implementierungsdetails, um Deep RL zum Laufen zu bringen.
⬤ Algorithmus-Benchmark-Ergebnisse mit abgestimmten Hyperparametern erforschen.
⬤ Verstehen Sie, wie tiefe RL-Umgebungen entworfen werden.
Registrieren Sie Ihr Buch, um bequemen Zugang zu Downloads, Updates und/oder Korrekturen zu erhalten, sobald diese verfügbar sind. Siehe Buchinnenseite für Details.
Weitere Daten des Buches:
| ISBN: | 9780135172384 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 416 |
Kauf:
Derzeit verfügbar, auf Lager.
