Description
Pratique de l'apprentissage par renforcement profond par Maxim Lapan est un guide complet sur les méthodes modernes d'apprentissage par renforcement (RL). Le livre couvre une gamme de sujets, y compris les réseaux Q profonds, l'itération de valeur, les gradients de politique, TRPO et AlphaGo Zero. Les lecteurs apprendront à appliquer ces techniques pour résoudre des problèmes complexes du monde réel en utilisant l'apprentissage profond (DL). Le livre fournit une introduction aux bases du RL, permettant aux lecteurs de coder des agents d'apprentissage intelligents pour diverses tâches. Il comprend des exemples pratiques tels que l'implémentation du Q-learning dans des environnements de 'monde en grille', la formation d'agents pour le trading d'actions et la victoire sur des jeux d'arcade Atari en utilisant l'itération de valeur. De plus, le livre explore les dernières recherches en RL profond, y compris les chatbots alimentés par l'IA. Bien qu'une certaine maîtrise de Python et des approches de DL de base soient supposées, aucune connaissance préalable en RL n'est requise. Le livre a été publié par Packt Publishing en 2018, mais une édition plus récente mise à jour pour 2020 est disponible, offrant des chapitres supplémentaires sur les méthodes multi-agents et le RL en robotique.
- CatégorieÉducation et recherche
Détails du livre
Explorer l'apprentissage par renforcement profond à partir des principes de base
Évaluer des méthodes RL de haut niveau comme TRPO et PPO
Apprendre les processus de décision de Markov comme fondement du RL
Implémenter le Q-learning dans des environnements de 'monde en grille'
Former des agents pour le trading d'actions en utilisant OpenAI Gym
Vaincre des jeux Atari en utilisant l'itération de valeur
Enseigner aux agents à jouer à Connect4 avec AlphaGo Zero
Découvrir la recherche sur les chatbots alimentés par l'IA
À qui s'adresse ce livre
- Agent de trading d'actions
- Stratégies de jeux Atari
- Gameplay Connect4
- Chatbots alimentés par l'IA
- Environnements de monde en grille
