Понимание глубокого обучения с подкреплением на русском
#1081131
Grokking Deep Reinforcement Learning (978-1638356660)
Купить и скачать электронную книгу в форматах PDF, EPUB, FB2, MOBI
Miguel Morales | #175: Нейронные сети
Книга «Grokking Deep Reinforcement Learning» использует увлекательные упражнения, чтобы научить вас создавать системы глубокого обучения. В этой книге аннотированный код на Python сочетается с интуитивно понятными объяснениями для изучения методов глубокого обучения с подкреплением (DRL). Вы увидите, как работают алгоритмы, и научитесь разрабатывать собственных агентов DRL, используя оценочную обратную связь.
Краткое содержание
Все мы учимся методом проб и ошибок. Мы избегаем того, что причиняет нам боль и приводит к неудачам. Мы принимаем и развиваем то, что приносит нам удовлетворение и успех. Эта общая модель лежит в основе глубокого обучения с подкреплением: построения систем машинного обучения, которые исследуют и учатся на основе реакции окружающей среды. Книга «Grokking Deep Reinforcement Learning» знакомит с этим мощным подходом к машинному обучению, используя примеры, иллюстрации, упражнения и предельно ясное изложение материала. Вам понравится идеально выверенный темп обучения и остроумный, увлекательный стиль изложения, пока вы будете погружаться в это потрясающее исследование основ обучения с подкреплением, эффективных методов глубокого обучения и практических применений в этой развивающейся области.
О технологии
Мы учимся, взаимодействуя с окружающей средой, и получаемые нами награды или наказания определяют наше будущее поведение. Глубокое обучение с подкреплением переносит этот же естественный процесс в искусственный интеллект, анализируя результаты для выявления наиболее эффективных путей развития. Агенты DRL могут улучшать маркетинговые кампании, прогнозировать динамику акций и побеждать гроссмейстеров в го и шахматах.
О книге
Книга «Grokking Deep Reinforcement Learning» использует увлекательные упражнения, чтобы научить вас создавать системы глубокого обучения. В ней сочетаются аннотированный код на Python с интуитивно понятными объяснениями для изучения методов глубокого обучения с подкреплением (DRL). Вы увидите, как работают алгоритмы, и научитесь разрабатывать собственных агентов DRL, используя оценочную обратную связь.
Что внутри?
Введение в обучение с подкреплением
Агенты DRL с человекоподобным поведением
Применение DRL в сложных ситуациях
О читателе
Для разработчиков с базовым опытом работы в области глубокого обучения.
Об авторе
Мигель Моралес работает в компании Lockheed Martin над проектами обучения с подкреплением и является преподавателем курса «Обучение с подкреплением и принятие решений» в Технологическом институте Джорджии.
Оглавление
1. Введение в глубокое обучение с подкреплением
2. Математические основы обучения с подкреплением
3. Баланс между краткосрочными и долгосрочными целями
4. Баланс между сбором и использованием информации
5. Оценка поведения агентов
6. Совершенствование поведения агентов
7. Достижение целей более эффективно и результативно.
8. Введение в глубокое обучение с подкреплением, основанное на ценностях.
9. Более стабильные методы, основанные на оценке стоимости.
10 эффективных с точки зрения выборки методов, основанных на оценке стоимости
11. Методы градиента политики и акторно-критического анализа
12 передовых методов акторно-критического анализа
13. На пути к искусственному общему интеллекту
Краткое содержание
Все мы учимся методом проб и ошибок. Мы избегаем того, что причиняет нам боль и приводит к неудачам. Мы принимаем и развиваем то, что приносит нам удовлетворение и успех. Эта общая модель лежит в основе глубокого обучения с подкреплением: построения систем машинного обучения, которые исследуют и учатся на основе реакции окружающей среды. Книга «Grokking Deep Reinforcement Learning» знакомит с этим мощным подходом к машинному обучению, используя примеры, иллюстрации, упражнения и предельно ясное изложение материала. Вам понравится идеально выверенный темп обучения и остроумный, увлекательный стиль изложения, пока вы будете погружаться в это потрясающее исследование основ обучения с подкреплением, эффективных методов глубокого обучения и практических применений в этой развивающейся области.
О технологии
Мы учимся, взаимодействуя с окружающей средой, и получаемые нами награды или наказания определяют наше будущее поведение. Глубокое обучение с подкреплением переносит этот же естественный процесс в искусственный интеллект, анализируя результаты для выявления наиболее эффективных путей развития. Агенты DRL могут улучшать маркетинговые кампании, прогнозировать динамику акций и побеждать гроссмейстеров в го и шахматах.
О книге
Книга «Grokking Deep Reinforcement Learning» использует увлекательные упражнения, чтобы научить вас создавать системы глубокого обучения. В ней сочетаются аннотированный код на Python с интуитивно понятными объяснениями для изучения методов глубокого обучения с подкреплением (DRL). Вы увидите, как работают алгоритмы, и научитесь разрабатывать собственных агентов DRL, используя оценочную обратную связь.
Что внутри?
Введение в обучение с подкреплением
Агенты DRL с человекоподобным поведением
Применение DRL в сложных ситуациях
О читателе
Для разработчиков с базовым опытом работы в области глубокого обучения.
Об авторе
Мигель Моралес работает в компании Lockheed Martin над проектами обучения с подкреплением и является преподавателем курса «Обучение с подкреплением и принятие решений» в Технологическом институте Джорджии.
Оглавление
1. Введение в глубокое обучение с подкреплением
2. Математические основы обучения с подкреплением
3. Баланс между краткосрочными и долгосрочными целями
4. Баланс между сбором и использованием информации
5. Оценка поведения агентов
6. Совершенствование поведения агентов
7. Достижение целей более эффективно и результативно.
8. Введение в глубокое обучение с подкреплением, основанное на ценностях.
9. Более стабильные методы, основанные на оценке стоимости.
10 эффективных с точки зрения выборки методов, основанных на оценке стоимости
11. Методы градиента политики и акторно-критического анализа
12 передовых методов акторно-критического анализа
13. На пути к искусственному общему интеллекту