Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 12 votes.
Titre original :
Reinforcement Learning Algorithms with Python
Contenu du livre :
Développer des algorithmes et des agents d'auto-apprentissage en utilisant TensorFlow et d'autres outils, frameworks et bibliothèques Python Caractéristiques principales Apprendre, développer et déployer des algorithmes avancés d'apprentissage par renforcement pour résoudre une variété de tâches Comprendre et développer des algorithmes sans modèle et basés sur un modèle pour construire des agents d'auto-apprentissage Travailler avec des concepts et algorithmes avancés d'apprentissage par renforcement tels que l'apprentissage par imitation et les stratégies d'évolution Description du livre.
L'apprentissage par renforcement (AR) est une branche populaire et prometteuse de l'IA qui implique la création de modèles et d'agents plus intelligents, capables de déterminer automatiquement le comportement idéal en fonction de l'évolution des besoins. Ce livre vous aidera à maîtriser les algorithmes d'apprentissage par renforcement et à comprendre leur mise en œuvre lors de la création d'agents auto-apprenants.
Commençant par une introduction aux outils, aux bibliothèques et à la configuration nécessaires pour travailler dans l'environnement RL, ce livre couvre les éléments constitutifs du RL et se penche sur les méthodes basées sur la valeur, telles que l'application des algorithmes Q-learning et SARSA. Vous apprendrez à utiliser une combinaison d'apprentissage Q et de réseaux neuronaux pour résoudre des problèmes complexes. En outre, vous étudierez les méthodes du gradient de politique, TRPO et PPO, afin d'améliorer les performances et la stabilité, avant de passer aux algorithmes déterministes DDPG et TD3. Ce livre couvre également le fonctionnement des techniques d'apprentissage par imitation et la manière dont Dagger peut apprendre à un agent à conduire. Vous découvrirez les stratégies évolutionnaires et les techniques d'optimisation à boîte noire, et verrez comment elles peuvent améliorer les algorithmes RL. Enfin, vous vous familiariserez avec les approches d'exploration, telles que UCB et UCB1, et développerez un méta-algorithme appelé ESBAS.
À la fin de l'ouvrage, vous aurez travaillé avec les principaux algorithmes d'apprentissage par renforcement pour relever les défis des applications du monde réel et vous ferez partie de la communauté de recherche sur l'apprentissage par renforcement. Ce que vous apprendrez Développer un agent pour jouer à CartPole en utilisant l'interface OpenAI Gym Découvrir le paradigme de l'apprentissage par renforcement basé sur un modèle Résoudre le problème du lac gelé avec la programmation dynamique Explorer l'apprentissage Q et SARSA en vue de jouer à un jeu de taxi Appliquer les réseaux Q profonds (DQN) aux jeux Atari en utilisant Gym Étudier les algorithmes de gradient de politique, Comprendre et appliquer PPO et TRPO dans des environnements de locomotion continue Se familiariser avec les stratégies d'évolution pour résoudre le problème de l'atterrisseur lunaire À qui s'adresse ce livre ?
Si vous êtes un chercheur en IA, un utilisateur de l'apprentissage profond ou toute personne souhaitant apprendre l'apprentissage par renforcement à partir de zéro, ce livre est fait pour vous. Ce livre sur l'apprentissage par renforcement vous sera également utile si vous souhaitez vous informer sur les avancées dans ce domaine. Une connaissance pratique de Python est nécessaire. Table des matières Le paysage de l'apprentissage par renforcement Implémentation de l'apprentissage par renforcement Cycle et OpenAI Gym Résolution de problèmes avec la programmation dynamique Apprentissage Q et applications SARSA Apprentissage profond du réseau Q Optimisation stochastique et DDPG Implémentation de TRPO et PPO Applications DDPG et TD3 Apprentissage par imitation avec l'algorithme DAgger Comprendre les algorithmes d'optimisation de boîte noire Développement de l'algorithme ESBAS Implémentation pratique pour résoudre les défis de l'apprentissage par renforcement
Autres informations sur le livre :
| ISBN : | 9781789131116 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
