Deep Reinforcement Learning Hands-On – Maxim Lapan – 1st Edition

Esta guía práctica le enseñará cómo se puede utilizar el aprendizaje profundo $DL$ para resolver problemas complejos del mundo real. Características principales Explore el aprendizaje de refuerzo profundo $RL$, desde los primeros principios hasta los últimos algoritmos Evalúe métodos de RL de alto perfil, que incluyen iteración de valor, redes Q profundas, gradientes de políticas, TRPO, PPO, DDPG, D4PG, estrategias de evolución y algoritmos genéticos Manténgase al día con los últimos desarrollos de la industria, incluidos los chatbots impulsados ????por la Descripción del libro Los desarrollos recientes en aprendizaje de refuerzo $RL$, combinados con aprendizaje profundo $DL$, han visto un progreso sin precedentes en el entrenamiento de agentes para resolver problemas complejos de una manera similar a la humana. El uso de algoritmos de Google para jugar y vencer a los conocidos juegos de arcade de Atari ha impulsado el campo a la prominencia, y los investigadores están generando nuevas ideas a un ritmo rápido. Deep Reinforcement Learning Hands-On es una guía completa de las últimas herramientas de DL y sus limitaciones. Evaluará métodos que incluyen entropía cruzada y gradientes de políticas, antes de aplicarlos a entornos del mundo real.

Enfréntete tanto al conjunto de juegos virtuales de Atari como a los favoritos de la familia, como Connecta. El libro proporciona una introducción a los conceptos básicos de RL, brindándote los conocimientos necesarios para codificar agentes de aprendizaje inteligentes para asumir una formidable variedad de tareas prácticas. Descubre cómo implementar Q-learning en entornos de «mundo de cuadrícula», enséñale a tu agente a comprar y negociar acciones, y descubre cómo los modelos de lenguaje natural están impulsando el auge de los chatbots. Lo que aprenderás Comprenda el contexto DL de RL e implemente modelos DL complejos Aprenda los fundamentos de RL: procesos de decisión de Markov Evalúe los métodos RL que incluyen entropía cruzada, DQN, actor-crítico, TRPO, PPO, DDPG, DAPG y otros Descubra cómo lidiar con espacios de acción discretos y continuos en varios entornos Derrote a los juegos de arcade de Atari usando el método de iteración de valor Cree su propio entorno OpenAI Gym para entrenar a un agente de negociación de acciones Enseñe a su agente a jugar Connecta usando AlphaGo Zero Explore la última investigación profunda de RL sobre temas que incluyen chatbots impulsados ????por IA A quién es este libro Se asume cierta fluidez en Python. Los enfoques básicos del aprendizaje profundo $DL$ deberían resultar familiares para los lectores y será útil tener cierta experiencia práctica en DL. Este libro es una introducción al aprendizaje profundo por refuerzo $RL$ y no requiere conocimientos previos de RL.