Avis des lecteurs
Résumé:La deuxième édition de « Deep Reinforcement Learning with Python » est largement plébiscitée pour sa clarté, sa couverture complète des concepts d'apprentissage par renforcement et ses exemples de codage pratiques et concrets utilisant TensorFlow 2.0 et OpenAI Gym. Cependant, certains lecteurs le trouvent dépassé en ce qui concerne ses dépendances logicielles et frustrant en raison d'un manque d'explication des concepts dans certains exemples.
Avantages:⬤ Des explications claires et un cheminement progressif des concepts, des plus basiques aux plus avancés.
⬤ Des exercices pratiques utilisant TensorFlow
⬤ 0 et OpenAI Gym qui soutiennent l'apprentissage pratique.
⬤ Couverture très détaillée et complète d'une large gamme d'algorithmes d'apprentissage par renforcement.
⬤ Des illustrations visuelles améliorent la compréhension.
⬤ Amélioration significative par rapport à la première édition, y compris des explications mathématiques détaillées.
⬤ Certains contenus peuvent sembler dépassés, notamment en raison de l'utilisation de TensorFlow
⬤ x pour certains exemples.
⬤ Manque d'explications détaillées dans certains exemples, menant à la confusion sur le raisonnement derrière des choix spécifiques.
⬤ Le livre est long (700 pages), ce que certains lecteurs trouvent accablant et peuvent suggérer de le diviser en deux versions, l'une pour les débutants et l'autre pour les avancés.
⬤ Les instructions d'installation de l'environnement de code sont jugées insuffisantes par certains utilisateurs.
(basé sur 21 avis de lecteurs)
Titre original :
Deep Reinforcement Learning with Python - Second Edition
Contenu du livre :
Un guide riche en exemples pour les débutants afin de commencer leur parcours d'apprentissage par renforcement et par renforcement profond avec des algorithmes distincts à la pointe de la technologie.
Caractéristiques principales
⬤ Couvre un large spectre d'algorithmes RL de base à avancés avec des explications mathématiques pour chaque algorithme.
⬤ Apprenez à implémenter les algorithmes avec du code en suivant des exemples avec des explications ligne par ligne.
⬤ Les dernières méthodologies RL telles que DDPG, PPO, et l'utilisation de démonstrations d'experts.
Description du livre
Avec l'amélioration significative de la qualité et de la quantité des algorithmes au cours des dernières années, cette deuxième édition de Hands-On Reinforcement Learning with Python a été remaniée en un guide riche en exemples pour apprendre les algorithmes de pointe d'apprentissage par renforcement (RL) et de RL profond avec TensorFlow 2 et l'ensemble d'outils OpenAI Gym.
En plus d'explorer les bases du RL et les concepts fondamentaux tels que l'équation de Bellman, les processus de décision de Markov et les algorithmes de programmation dynamique, cette deuxième édition plonge dans le spectre complet des méthodes de RL basées sur la valeur, sur la politique et sur la critique de l'acteur. Elle explore en profondeur des algorithmes de pointe tels que DQN, TRPO, PPO et ACKTR, DDPG, TD3 et SAC, en démystifiant les mathématiques sous-jacentes et en démontrant les implémentations à l'aide d'exemples de code simples.
Le livre comporte plusieurs nouveaux chapitres consacrés à de nouvelles techniques de NR, notamment le NR distributionnel, l'apprentissage par imitation, le NR inverse et le méta NR. Vous apprendrez à tirer parti des lignes de base stables, une amélioration de la bibliothèque de lignes de base d'OpenAI, pour mettre en œuvre sans effort les algorithmes RL les plus courants. Le livre se termine par un aperçu des approches prometteuses telles que le méta-apprentissage et les agents augmentés par l'imagination dans la recherche.
À la fin de l'ouvrage, vous serez en mesure d'utiliser efficacement le RL et le RL profond dans vos projets réels.
Ce que vous apprendrez
⬤ Comprendre les concepts de base du RL, y compris les méthodologies, les mathématiques et le code.
⬤ Entraîner un agent à résoudre des problèmes de Blackjack, FrozenLake et bien d'autres en utilisant OpenAI Gym.
⬤ Entraîner un agent à jouer à Ms Pac-Man en utilisant un réseau Deep Q.
⬤ Apprendre les méthodes basées sur les politiques, sur la valeur et sur la critique des acteurs.
⬤ Maîtriser les mathématiques derrière DDPG, TD3, TRPO, PPO, et bien d'autres.
⬤ Explorer de nouvelles voies telles que le RL distributionnel, le méta RL et le RL inverse.
⬤ Utiliser les bases stables pour entraîner un agent à marcher et à jouer à des jeux Atari.
A qui s'adresse ce livre ?
Si vous êtes un développeur en apprentissage automatique avec peu ou pas d'expérience avec les réseaux neuronaux, que vous vous intéressez à l'intelligence artificielle et que vous souhaitez apprendre l'apprentissage par renforcement à partir de zéro, ce livre est fait pour vous.
Une connaissance de base de l'algèbre linéaire, du calcul et du langage de programmation Python est nécessaire. Une certaine expérience de TensorFlow serait un plus.
Autres informations sur le livre :
| ISBN : | 9781839210686 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
