Avis des lecteurs
Résumé:Le livre offre une combinaison d'idées académiques et d'applications pratiques pour l'apprentissage par renforcement. Cependant, il souffre de graves fautes de frappe, d'une qualité d'impression médiocre et d'un manque de clarté quant à son public cible. De nombreux lecteurs l'ont trouvé trop académique pour les débutants et pas assez pratique pour une application directe dans l'industrie.
Avantages:Excellent mélange d'académie et d'industrie, des idées utiles pour des cas d'utilisation pratiques, un état bien reçu à la livraison.
Inconvénients:Graves fautes de frappe dans les équations centrales, qualité d'impression en noir et blanc médiocre, public cible peu clair, manque de clarté et d'aspect pratique, trop académique pour les novices.
(basé sur 5 avis de lecteurs)
Titre original :
Reinforcement Learning: Industrial Applications of Intelligent Agents
Contenu du livre :
L'apprentissage par renforcement (AR) constituera l'une des plus grandes percées de l'IA au cours de la prochaine décennie, en permettant aux algorithmes d'apprendre de leur environnement pour atteindre des objectifs arbitraires. Ce développement passionnant permet d'éviter les contraintes des algorithmes traditionnels d'apprentissage automatique. Ce livre pratique montre aux professionnels de la science des données et de l'IA comment apprendre par renforcement et permettre à une machine d'apprendre par elle-même.
L'auteur, Phil Winder, de Winder Research, couvre tous les aspects, des éléments de base aux pratiques de pointe. Vous explorerez l'état actuel de l'apprentissage par renforcement, vous vous concentrerez sur les applications industrielles, vous apprendrez de nombreux algorithmes et vous bénéficierez de chapitres dédiés au déploiement de solutions d'apprentissage par renforcement en production. Il ne s'agit pas d'un livre de cuisine ; il ne craint pas les mathématiques et s'attend à ce que vous soyez familier avec la ML.
⬤ Apprendre ce qu'est le RL et comment les algorithmes aident à résoudre les problèmes.
⬤ Les principes fondamentaux de la RL, y compris les processus de décision de Markov, la programmation dynamique et l'apprentissage par différence temporelle.
⬤ Plonger dans une gamme de méthodes de gradient de valeur et de gradient de politique.
⬤ Appliquer des solutions avancées de NR telles que le méta-apprentissage, l'apprentissage hiérarchique, l'apprentissage multi-agents et l'apprentissage par imitation.
⬤ Comprendre les algorithmes de RL profond de pointe, y compris Rainbow, PPO, TD3, SAC, et plus encore.
⬤ Obtenir des exemples pratiques grâce au site Web d'accompagnement.
Autres informations sur le livre :
| ISBN : | 9781098114831 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 350 |
Achat:
Actuellement disponible, en stock.
