Descripción
Deep Reinforcement Learning Hands-On de Maxim Lapan es una guía completa sobre los métodos modernos de aprendizaje por refuerzo (RL). El libro abarca una variedad de temas, incluyendo redes Q profundas, iteración de valor, gradientes de política, TRPO y AlphaGo Zero. Los lectores aprenderán a aplicar estas técnicas para resolver problemas complejos del mundo real utilizando aprendizaje profundo (DL). El libro ofrece una introducción a los conceptos básicos de RL, permitiendo a los lectores codificar agentes de aprendizaje inteligentes para diversas tareas. Incluye ejemplos prácticos como implementar Q-learning en entornos de 'grid world', entrenar agentes para el comercio de acciones y vencer juegos de arcade de Atari utilizando iteración de valor. Además, el libro explora la investigación más reciente en RL profundo, incluyendo chatbots impulsados por IA. Si bien se asume cierta fluidez en Python y enfoques básicos de DL, no se requiere conocimiento previo de RL. El libro fue publicado por Packt Publishing en 2018, pero está disponible una edición más reciente actualizada para 2020, que ofrece capítulos adicionales sobre métodos multi-agente y RL en robótica.
- CategoríaEducación e investigación
Detalles del libro
Explorar el aprendizaje por refuerzo profundo desde los principios básicos
Evaluar métodos de RL de alto perfil como TRPO y PPO
Aprender procesos de decisión de Markov como base de RL
Implementar Q-learning en entornos de 'grid world'
Entrenar agentes para el comercio de acciones utilizando OpenAI Gym
Vencer juegos de Atari utilizando iteración de valor
Enseñar a los agentes a jugar Connect4 con AlphaGo Zero
Descubrir la investigación sobre chatbots impulsados por IA
Para quién es este libro
- Agente de comercio de acciones
- Estrategias de juegos de Atari
- Juego de Connect4
- Chatbots impulsados por IA
- Entornos de grid world
