Основы глубокого обучения с подкреплением: теория и практика на Python (серия Addison-Wesley Data & Analytics) на русском
#1990625
Foundations of Deep Reinforcement Learning: Theory and Practice in Python (Addison-Wesley Data & Analytics Series) (B07ZVYZC6F)
Купить и скачать электронную книгу в форматах PDF, EPUB, FB2, MOBI
Laura Graesser | #384: Искусственный интеллект и семантика
Современное введение в глубокое обучение с подкреплением, сочетающее теорию и практику.
Глубокое обучение с подкреплением (deep RL) сочетает в себе глубокое обучение и обучение с подкреплением, в котором искусственные агенты учатся решать задачи последовательного принятия решений. За последнее десятилетие глубокое обучение с подкреплением достигло замечательных результатов в решении целого ряда задач, от одиночных и многопользовательских игр — таких как Го, игры Atari и DotA 2 — до робототехники.
«Основы глубокого обучения с подкреплением» — это введение в глубокое обучение с подкреплением, которое уникальным образом сочетает в себе теорию и практику. Книга начинается с интуитивного понимания, затем подробно объясняет теорию алгоритмов глубокого обучения с подкреплением, обсуждает реализации в сопутствующей программной библиотеке SLM Lab и завершается практическими деталями внедрения глубокого обучения с подкреплением.
Это руководство идеально подходит как для студентов, изучающих информатику, так и для инженеров-программистов, знакомых с основными концепциями машинного обучения и имеющих практические навыки работы с Python.
Глубокое обучение с подкреплением (deep RL) сочетает в себе глубокое обучение и обучение с подкреплением, в котором искусственные агенты учатся решать задачи последовательного принятия решений. За последнее десятилетие глубокое обучение с подкреплением достигло замечательных результатов в решении целого ряда задач, от одиночных и многопользовательских игр — таких как Го, игры Atari и DotA 2 — до робототехники.
«Основы глубокого обучения с подкреплением» — это введение в глубокое обучение с подкреплением, которое уникальным образом сочетает в себе теорию и практику. Книга начинается с интуитивного понимания, затем подробно объясняет теорию алгоритмов глубокого обучения с подкреплением, обсуждает реализации в сопутствующей программной библиотеке SLM Lab и завершается практическими деталями внедрения глубокого обучения с подкреплением.
Это руководство идеально подходит как для студентов, изучающих информатику, так и для инженеров-программистов, знакомых с основными концепциями машинного обучения и имеющих практические навыки работы с Python.
- Разберитесь в каждом ключевом аспекте задачи глубокого обучения с подкреплением.
- Изучите алгоритмы, основанные на политике и ценностях, включая REINFORCE, SARSA, DQN, Double DQN и Prioritized Experience Replay (PER).
- Изучите комбинированные алгоритмы, включая алгоритм Actor-Critic и алгоритм оптимизации политики Proximal Policy Optimization (PPO).
- Разберитесь, как можно распараллелить алгоритмы синхронно и асинхронно.
- Запускайте алгоритмы в лаборатории SLM и изучайте практические детали реализации глубокого обучения с подкреплением.
- Изучите результаты сравнительного анализа алгоритмов с настроенными гиперпараметрами.
- Поймите, как проектируются среды глубокого обучения с подкреплением.