Descripción
Una guía rica en ejemplos para que los principiantes inicien su viaje de aprendizaje por refuerzo y aprendizaje por refuerzo profundo con algoritmos distintivos de vanguardia
Características clave
- Cubre un vasto espectro de algoritmos de RL básicos a avanzados con explicaciones matemáticas de cada algoritmo.
- Aprenda a implementar algoritmos con código siguiendo ejemplos con explicaciones línea por línea.
- Explore las últimas metodologías de RL, como DDPG, PPO y el uso de demostraciones de expertos.
Descripción del libro
Con mejoras significativas en la calidad y cantidad de algoritmos en los últimos años, esta segunda edición de Hands-On Reinforcement Learning with Python se ha renovado para convertirse en una guía rica en ejemplos para aprender algoritmos de aprendizaje por refuerzo (RL) y RL profundo de vanguardia con TensorFlow 2 y el kit de herramientas OpenAI Gym.
Además de explorar los conceptos básicos de RL y los conceptos fundamentales como la ecuación de Bellman, los procesos de decisión de Markov y los algoritmos de programación dinámica, esta segunda edición profundiza en todo el espectro de métodos de RL basados en valores, basados en políticas y actor-crítico. Explora algoritmos de vanguardia como DQN, TRPO, PPO y ACKTR, DDPG, TD3 y SAC en profundidad, desmitificando las matemáticas subyacentes y demostrando implementaciones a través de ejemplos de código simples.
El libro tiene varios capítulos nuevos dedicados a nuevas técnicas de RL, incluyendo RL distribucional, aprendizaje por imitación, RL inverso y meta RL. Aprenderá a aprovechar las líneas base estables, una mejora de la biblioteca de líneas base de OpenAI, para implementar sin esfuerzo algoritmos de RL populares. El libro concluye con una descripción general de enfoques prometedores como el metaaprendizaje y los agentes aumentados por la imaginación en la investigación.
Al final, se volverá experto en emplear eficazmente RL y RL profundo en sus proyectos del mundo real.
Lo que aprenderá
- Comprender los conceptos centrales de RL, incluidas las metodologías, las matemáticas y el código.
- Entrenar a un agente para resolver Blackjack, FrozenLake y muchos otros problemas usando OpenAI Gym.
- Entrenar a un agente para jugar a Ms Pac-Man usando una red Q profunda.
- Aprender métodos basados en políticas, basados en valores y actor-crítico.
- Dominar las matemáticas detrás de DDPG, TD3, TRPO, PPO y muchos otros.
- Explorar nuevas vías como la RL distribucional, la meta RL y la RL inversa.
- Usar Stable Baselines para entrenar a un agente para caminar y jugar juegos de Atari.
Para quién es este libro
Si eres un desarrollador de aprendizaje automático con poca o ninguna experiencia con redes neuronales interesado en la inteligencia artificial y quieres aprender sobre el aprendizaje por refuerzo desde cero, este libro es para ti.
Se requiere familiaridad básica con el álgebra lineal, el cálculo y el lenguaje de programación Python. Alguna experiencia con TensorFlow sería una ventaja.
Autor: Sudharsan Ravichandiran
Editorial: Packt Publishing
Publicado: 30/09/2020
Páginas: 760
Tipo de encuadernación: Tapa blanda
Peso: 2.83 libras
Tamaño: 9.25h x 7.50w x 1.51d
ISBN13: 9781839210686
ISBN10: 1839210680
Categorías BISAC:
- Computadoras | Inteligencia Artificial | General
- Computadoras | Aspectos Sociales
Este título no es retornable