Leserbewertungen
Zusammenfassung:Das Buch gilt weithin als unverzichtbare Ressource für Enthusiasten und Fachleute des Reinforcement Learning (RL). Es wird für seine Tiefe, seine Klarheit, seine gut strukturierten Übungen und seinen pädagogischen Ansatz gelobt, der es auch für Personen mit mäßigem mathematischem Hintergrund zugänglich macht. Die Kritik konzentriert sich jedoch auf die uneinheitliche Druckqualität, insbesondere bei Ausgaben, die nicht direkt von MIT Press stammen, und auf Bedenken hinsichtlich der Eignung für absolute Anfänger auf diesem Gebiet.
Vorteile:⬤ Umfassende Abdeckung des Verstärkungslernens
⬤ gut strukturierte und rigorose Übungen
⬤ klare Erklärungen
⬤ gute Druckqualität in Exemplaren, die direkt von MIT Press verkauft werden
⬤ nützlich für verschiedene Niveaus von Fachwissen (besonders für diejenigen mit einigen Vorkenntnissen)
⬤ beinhaltet interdisziplinäre Verbindungen mit Psychologie und Neurowissenschaften.
⬤ Uneinheitliche Druckqualität, insbesondere bei Drittanbietern
⬤ nicht als Einführungstext für absolute Anfänger geeignet
⬤ einige Abschnitte sind mathematisch intensiv
⬤ historischer Inhalt wird von manchen Lesern als unnötig erachtet
⬤ kleinere redaktionelle Fehler in einigen Exemplaren.
(basierend auf 115 Leserbewertungen)
Originaltitel:
Reinforcement Learning, Second Edition: An Introduction
Inhalt des Buches:
Die erheblich erweiterte und aktualisierte Neuauflage eines weit verbreiteten Textes über das Verstärkungslernen, eines der aktivsten Forschungsgebiete der künstlichen Intelligenz.
Verstärkungslernen, eines der aktivsten Forschungsgebiete in der künstlichen Intelligenz, ist ein computergestützter Lernansatz, bei dem ein Agent versucht, den Gesamtbetrag der Belohnung zu maximieren, die er erhält, während er mit einer komplexen, unsicheren Umgebung interagiert. In Reinforcement Learning geben Richard Sutton und Andrew Barto einen klaren und einfachen Überblick über die wichtigsten Ideen und Algorithmen in diesem Bereich. Diese zweite Auflage wurde erheblich erweitert und aktualisiert, wobei neue Themen vorgestellt und die Abdeckung anderer Themen aktualisiert wurden.
Wie die erste Ausgabe konzentriert sich auch diese zweite Ausgabe auf die wichtigsten Algorithmen des Online-Lernens, wobei die eher mathematischen Inhalte in schattierten Kästen untergebracht sind. Teil I deckt so viel wie möglich vom Reinforcement Learning ab, ohne über den tabellarischen Fall hinauszugehen, für den exakte Lösungen gefunden werden können. Viele der in diesem Teil vorgestellten Algorithmen sind neu in der zweiten Auflage, darunter UCB, Expected Sarsa und Double Learning. Teil II erweitert diese Ideen auf die Funktionsannäherung, mit neuen Abschnitten zu Themen wie künstliche neuronale Netze und die Fourier-Basis, und bietet eine erweiterte Behandlung von Off-Policy-Lernen und Policy-Gradient-Methoden. Teil III enthält neue Kapitel über die Beziehungen des Verstärkungslernens zur Psychologie und zu den Neurowissenschaften sowie ein aktualisiertes Kapitel über Fallstudien, darunter AlphaGo und AlphaGo Zero, das Spielen von Atari-Spielen und die Wettstrategie von IBM Watson. Das letzte Kapitel befasst sich mit den zukünftigen gesellschaftlichen Auswirkungen des Verstärkungslernens.
Weitere Daten des Buches:
| ISBN: | 9780262039246 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 552 |
Kauf:
Derzeit verfügbar, auf Lager.
