{"product_id":"foundations-of-deep-reinforcement-learning-theory-and-practice-in-python-9780135172384","title":"Fundamentos del aprendizaje profundo por refuerzo: teoría y práctica en Python","description":"\u003cb\u003eLa Introducción Contemporánea al Aprendizaje Profundo por Refuerzo que Combina Teoría y Práctica\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003eEl 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. \u003cp\u003e\u003c\/p\u003e \u003ci\u003e\u003cb\u003eFoundations of Deep Reinforcement Learning\u003c\/b\u003e\u003c\/i\u003e 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. \u003cbr\u003e 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. \u003cul\u003e \u003cli\u003eComprender cada aspecto clave de un problema de deep RL\u003c\/li\u003e \u003cli\u003eExplorar algoritmos basados en políticas y valores, incluyendo REINFORCE, SARSA, DQN, Double DQN y Prioritized Experience Replay (PER)\u003c\/li\u003e \u003cli\u003eProfundizar en algoritmos combinados, incluyendo Actor-Critic y Proximal Policy Optimization (PPO)\u003c\/li\u003e \u003cli\u003eComprender cómo los algoritmos pueden ser paralelizados de forma síncrona y asíncrona\u003c\/li\u003e \u003cli\u003eEjecutar algoritmos en SLM Lab y aprender los detalles prácticos de implementación para hacer que el deep RL funcione\u003c\/li\u003e \u003cli\u003eExplorar los resultados de los benchmarks de algoritmos con hiperparámetros ajustados\u003c\/li\u003e \u003cli\u003eComprender cómo se diseñan los entornos de deep RL\u003c\/li\u003e \u003c\/ul\u003e \u003ci\u003eRegistre 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.\u003c\/i\u003e \u003cbr\u003e\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-12840934\"\u003eLaura Graesser\u003c\/a\u003e, \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-12840935\"\u003eWah Loon Keng\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Addison-Wesley Professional\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 05\/12\/2019\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 416\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 1.10lbs\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.00h x 6.90w x 0.50d\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9780135172384\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 0135172381\u003cbr\u003e\u003cb\u003eCategorías BISAC:\u003c\/b\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eComputadoras\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM021030\"\u003eCiencia de Datos | Análisis de Datos\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eComputadoras\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM004000\"\u003eInteligencia Artificial | General\u003c\/a\u003e\u003cbr\u003e\u003cbr\u003e\u003cp\u003e\u003cb\u003eAcerca de los autores\u003c\/b\u003e\u003cbr\u003e\u003cb\u003eLaura Graesser\u003c\/b\u003e 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. \u003c\/p\u003e\u003cp\u003e\u003c\/p\u003e \u003cb\u003eWah Loon Keng\u003c\/b\u003e 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.","brand":"Addison-Wesley Professional","offers":[{"title":"Default Title","offer_id":42683304870125,"sku":"9780135172384","price":66.65,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/products\/img_f31b8fad-6f38-48d1-a9bc-d1c4d753f715.jpg?v=1649740682","url":"https:\/\/sureshotbooks.com\/es\/products\/foundations-of-deep-reinforcement-learning-theory-and-practice-in-python-9780135172384","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}