Leserbewertungen
Zusammenfassung:Das Buch bietet eine Kombination aus wissenschaftlichen Erkenntnissen und praktischen Anwendungen für das verstärkte Lernen. Es leidet jedoch unter schwerwiegenden Tippfehlern, minderwertiger Druckqualität und mangelnder Klarheit hinsichtlich der Zielgruppe. Viele Rezensenten fanden es zu akademisch für Anfänger und nicht praktisch genug für die direkte Anwendung in der Industrie.
Vorteile:Tolle Mischung aus Wissenschaft und Industrie, nützliche Erkenntnisse für praktische Anwendungsfälle, gut angenommener Zustand bei Lieferung.
Nachteile:Schwerwiegende Tippfehler in zentralen Gleichungen, minderwertige Schwarz-Weiß-Druckqualität, unklare Zielgruppe, zu wenig klar und praktisch, zu akademisch für Anfänger.
(basierend auf 5 Leserbewertungen)
Originaltitel:
Reinforcement Learning: Industrial Applications of Intelligent Agents
Inhalt des Buches:
Das Verstärkungslernen (Reinforcement Learning, RL) wird im nächsten Jahrzehnt einen der größten Durchbrüche in der KI bringen, da es Algorithmen ermöglicht, aus ihrer Umgebung zu lernen, um beliebige Ziele zu erreichen. Diese aufregende Entwicklung vermeidet die Beschränkungen, die bei traditionellen Algorithmen des maschinellen Lernens (ML) bestehen. Dieses praktische Buch zeigt Datenwissenschaftlern und KI-Fachleuten, wie man durch Verstärkung lernt und eine Maschine in die Lage versetzt, von selbst zu lernen.
Der Autor Phil Winder von Winder Research deckt alles ab, von den grundlegenden Bausteinen bis zu den modernsten Praktiken. Sie erforschen den aktuellen Stand von RL, konzentrieren sich auf industrielle Anwendungen, lernen zahlreiche Algorithmen kennen und profitieren von speziellen Kapiteln über den Einsatz von RL-Lösungen in der Produktion. Dies ist kein Kochbuch; es scheut sich nicht vor der Mathematik und erwartet Vertrautheit mit ML.
⬤ Lernen Sie, was RL ist und wie die Algorithmen helfen, Probleme zu lösen.
⬤ Lernen Sie die Grundlagen von RL kennen, einschließlich Markov-Entscheidungsprozessen, dynamischer Programmierung und temporalem Differenzlernen.
⬤ Eintauchen in eine Reihe von Wert- und Policy-Gradienten-Methoden.
⬤ Anwendung von fortgeschrittenen RL-Lösungen wie Meta-Lernen, hierarchisches Lernen, Multi-Agenten und Imitationslernen.
⬤ Verstehen Sie die modernsten tiefen RL-Algorithmen wie Rainbow, PPO, TD3, SAC und mehr.
⬤ Praktische Beispiele auf der begleitenden Website.
Weitere Daten des Buches:
| ISBN: | 9781098114831 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 350 |
Kauf:
Derzeit verfügbar, auf Lager.
