Descrição
Deep Reinforcement Learning Hands-On de Maxim Lapan é um guia abrangente sobre métodos modernos de aprendizado por reforço (RL). O livro abrange uma variedade de tópicos, incluindo redes Q profundas, iteração de valor, gradientes de política, TRPO e AlphaGo Zero. Os leitores aprenderão a aplicar essas técnicas para resolver problemas complexos do mundo real usando aprendizado profundo (DL). O livro fornece uma introdução aos conceitos básicos de RL, permitindo que os leitores codifiquem agentes de aprendizado inteligentes para diversas tarefas. Inclui exemplos práticos, como implementar Q-learning em ambientes de 'grid world', treinar agentes para negociação de ações e vencer jogos de arcade da Atari usando iteração de valor. Além disso, o livro explora as pesquisas mais recentes em RL profundo, incluindo chatbots impulsionados por IA. Embora se presuma alguma fluência em Python e abordagens básicas de DL, não é necessário conhecimento prévio em RL. O livro foi publicado pela Packt Publishing em 2018, mas uma edição mais recente atualizada para 2020 está disponível, oferecendo capítulos adicionais sobre métodos multiagente e RL em robótica.
- CategoriaEducação e pesquisa
Detalhes do livro
Explore o aprendizado por reforço profundo a partir dos princípios básicos
Avalie métodos de RL de alto perfil como TRPO e PPO
Aprenda processos de decisão de Markov como base do RL
Implemente Q-learning em ambientes de 'grid world'
Treine agentes para negociação de ações usando OpenAI Gym
Vença jogos da Atari usando iteração de valor
Ensine agentes a jogar Connect4 com AlphaGo Zero
Descubra pesquisas sobre chatbots impulsionados por IA
Para quem é este livro
- Agente de negociação de ações
- Estratégias de jogos da Atari
- Jogabilidade de Connect4
- Chatbots impulsionados por IA
- Ambientes de grid world
