Descripción
Obtenga experiencia práctica en la creación de agentes de aprendizaje por refuerzo de última generación utilizando TensorFlow y RLlib para resolver problemas complejos de negocios e industria del mundo real con la ayuda de consejos de expertos y mejores prácticas
Características principales:
- Comprender cómo funcionan los algoritmos y enfoques de RL de última generación a gran escala
- Aplicar RL para resolver problemas complejos en marketing, robótica, cadena de suministro, finanzas, ciberseguridad y más
- Explorar consejos y mejores prácticas de expertos que le permitirán superar los desafíos de RL del mundo real
Descripción del libro:
El aprendizaje por refuerzo (RL) es un campo de la inteligencia artificial (IA) utilizado para crear agentes autónomos de autoaprendizaje. Basándose en una sólida base teórica, este libro adopta un enfoque práctico y utiliza ejemplos inspirados en problemas de la industria del mundo real para enseñarle sobre el RL de vanguardia.
Comenzando con problemas de bandidos, procesos de decisión de Markov y programación dinámica, el libro proporciona una revisión en profundidad de las técnicas clásicas de RL, como los métodos de Monte Carlo y el aprendizaje de diferencia temporal. Después de eso, aprenderá sobre el aprendizaje profundo Q, los algoritmos de gradiente de políticas, los métodos actor-crítico, los métodos basados en modelos y el aprendizaje por refuerzo multiagente. Luego, se le presentarán algunos de los enfoques clave detrás de las implementaciones de RL más exitosas, como la aleatorización de dominios y el aprendizaje impulsado por la curiosidad.
A medida que avance, explorará muchos algoritmos novedosos con implementaciones avanzadas utilizando bibliotecas de Python modernas como TensorFlow y el paquete RLlib de Ray. También descubrirá cómo implementar RL en áreas como la robótica, la gestión de la cadena de suministro, el marketing, las finanzas, las ciudades inteligentes y la ciberseguridad, al mismo tiempo que evalúa las compensaciones entre los diferentes enfoques y evita los errores comunes.
Al final de este libro, habrá dominado cómo entrenar y desplegar sus propios agentes de RL para resolver problemas de RL.
Lo que aprenderá:
- Modelar y resolver problemas complejos de toma de decisiones secuenciales utilizando RL
- Desarrollar una comprensión sólida de cómo funcionan los métodos de RL de última generación
- Usar Python y TensorFlow para codificar algoritmos de RL desde cero
- Paralelizar y escalar sus implementaciones de RL utilizando el paquete RLlib de Ray
- Obtener un conocimiento profundo de una amplia variedad de temas de RL
- Comprender las compensaciones entre los diferentes enfoques de RL
- Descubrir y abordar los desafíos de implementar RL en el mundo real
Para quién es este libro:
Este libro es para profesionales e investigadores expertos en aprendizaje automático que buscan centrarse en el aprendizaje por refuerzo práctico con Python mediante la implementación de conceptos avanzados de aprendizaje por refuerzo profundo en proyectos del mundo real. Los expertos en aprendizaje por refuerzo que quieran avanzar en sus conocimientos para abordar problemas de toma de decisiones secuenciales complejos y a gran escala también encontrarán este libro útil. Se requiere un conocimiento práctico de la programación de Python y el aprendizaje profundo, junto con experiencia previa en aprendizaje por refuerzo.
Autor: Enes Bilgin
Editorial: Packt Publishing
Publicado: 18/12/2020
Páginas: 544
Tipo de encuadernación: Tapa blanda
Peso: 2.04 libras
Tamaño: 9.25 alto x 7.50 ancho x 1.10 profundidad
ISBN13: 9781838644147
ISBN10: 1838644148
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Teoría de Máquinas
- Informática | Ciencia de Datos | Redes Neuronales
Este título no es retornable