Fundamentos del aprendizaje profundo por refuerzo: teoría y práctica en Python

La Introducción Contemporánea al Aprendizaje Profundo por Refuerzo que Combina Teoría y Práctica

El aprendizaje profundo por refuerzo (deep RL) combina el aprendizaje profundo y el aprendizaje por refuerzo, en el que agentes artificiales aprenden a resolver problemas de toma de decisiones secuenciales. En la última década, el deep RL ha logrado resultados notables en una variedad de problemas, desde juegos individuales y multijugador —como Go, juegos de Atari y DotA 2— hasta robótica.

Foundations of Deep Reinforcement Learning es una introducción al deep RL que combina de manera única tanto la teoría como la implementación. Comienza con la intuición, luego explica cuidadosamente la teoría de los algoritmos de deep RL, discute las implementaciones en su biblioteca de software complementaria SLM Lab, y finaliza con los detalles prácticos para hacer que el deep RL funcione.
Esta guía es ideal tanto para estudiantes de ciencias de la computación como para ingenieros de software familiarizados con conceptos básicos de aprendizaje automático y con un conocimiento práctico de Python.

• Comprender cada aspecto clave de un problema de deep RL
• Explorar algoritmos basados en políticas y valores, incluyendo REINFORCE, SARSA, DQN, Double DQN y Prioritized Experience Replay (PER)
• Profundizar en algoritmos combinados, incluyendo Actor-Critic y Proximal Policy Optimization (PPO)
• Comprender cómo los algoritmos pueden ser paralelizados de forma síncrona y asíncrona
• Ejecutar algoritmos en SLM Lab y aprender los detalles prácticos de implementación para hacer que el deep RL funcione
• Explorar los resultados de los benchmarks de algoritmos con hiperparámetros ajustados
• Comprender cómo se diseñan los entornos de deep RL

Registre su libro para un acceso conveniente a descargas, actualizaciones y/o correcciones a medida que estén disponibles. Consulte el interior del libro para obtener más detalles.


Autor: Laura Graesser, Wah Loon Keng
Editorial: Addison-Wesley Professional
Publicado: 05/12/2019
Páginas: 416
Tipo de encuadernación: Tapa blanda
Peso: 1.10lbs
Tamaño: 9.00h x 6.90w x 0.50d
ISBN13: 9780135172384
ISBN10: 0135172381
Categorías BISAC:
- Computadoras | Ciencia de Datos | Análisis de Datos
- Computadoras | Inteligencia Artificial | General

Acerca de los autores
Laura Graesser es ingeniera de software de investigación trabajando en robótica en Google. Tiene una maestría en ciencias de la computación de la Universidad de Nueva York, donde se especializó en aprendizaje automático.

Wah Loon Keng es ingeniero de IA en Machine Zone, donde aplica el aprendizaje profundo por refuerzo a problemas industriales. Tiene experiencia tanto en física teórica como en ciencias de la computación.