Avis des lecteurs
Résumé:Le livre est loué pour ses explications claires et son approche pratique de l'apprentissage par renforcement profond (DRL), offrant une ressource solide pour les lecteurs souhaitant mettre en œuvre des algorithmes. Cependant, les critiques soulignent la mauvaise qualité du papier, les problèmes liés à l'édition Kindle et la dépendance à un cadre personnalisé qui pourrait dissuader certains lecteurs.
Avantages:⬤ Des explications claires et bien structurées sur les concepts et les algorithmes de DRL.
⬤ Des ressources pratiques comprenant un code d'exemple et un repo GitHub pour la mise en œuvre.
⬤ Convient à des lecteurs ayant des niveaux d'expérience variés.
⬤ Couverture concise des sujets, rendant l'apprentissage plus facile.
⬤ Aide à lier la théorie à la pratique, facilitant l'apprentissage pratique.
⬤ Qualité médiocre du papier et problèmes d'impression signalés, notamment une mauvaise odeur et des pages trop fines.
⬤ L'édition Kindle présente des problèmes de formatage des formules qui nuisent à la convivialité.
⬤ Forte dépendance à l'égard du cadre personnalisé des auteurs (SLM Lab), qui peut ne pas plaire à ceux qui préfèrent des exemples de codage plus universels.
⬤ Certains exemples sont obsolètes, obligeant les lecteurs à adapter le code pour qu'il fonctionne avec des bibliothèques mises à jour.
(basé sur 27 avis de lecteurs)
Titre original :
Foundations of Deep Reinforcement Learning: Theory and Practice in Python
Contenu du livre :
L'introduction contemporaine à l'apprentissage par renforcement profond qui combine théorie et pratique
L'apprentissage par renforcement en profondeur combine l'apprentissage en profondeur et l'apprentissage par renforcement, dans lequel des agents artificiels apprennent à résoudre des problèmes de prise de décision séquentielle. Au cours de la dernière décennie, l'apprentissage par renforcement profond a obtenu des résultats remarquables sur un large éventail de problèmes, allant des jeux à un ou plusieurs joueurs - tels que Go, les jeux Atari et DotA 2 - à la robotique.
Le livre Foundations of Deep Reinforcement Learning est une introduction à l'apprentissage par renforcement profond qui combine de manière unique la théorie et la mise en œuvre. Il commence par l'intuition, puis explique soigneusement la théorie des algorithmes d'apprentissage par renforcement profond, discute des implémentations dans la bibliothèque logicielle SLM Lab qui l'accompagne, et termine par les détails pratiques de la mise en œuvre de l'apprentissage par renforcement profond.
Ce guide est idéal pour les étudiants en informatique et les ingénieurs logiciels qui sont familiers avec les concepts de base de l'apprentissage automatique et qui ont une compréhension pratique de Python.
⬤ Ce guide est idéal pour les étudiants en informatique et les ingénieurs en logiciel qui connaissent les concepts de base de l'apprentissage automatique et qui ont une bonne compréhension de Python.
⬤ Explorer les algorithmes basés sur les politiques et les valeurs, y compris REINFORCE, SARSA, DQN, Double DQN, et Prioritized Experience Replay (PER).
⬤ Les algorithmes combinés, y compris l'acteur critique et l'optimisation de la politique proximale (PPO).
⬤ Comprendre comment les algorithmes peuvent être parallélisés de manière synchrone et asynchrone.
⬤ Exécuter des algorithmes dans SLM Lab et apprendre les détails pratiques de l'implémentation pour faire fonctionner la RL profonde.
⬤ Explorer les résultats de l'analyse comparative des algorithmes avec des hyperparamètres ajustés.
⬤ Comprendre comment les environnements de RL profond sont conçus.
Enregistrez votre livre pour accéder facilement aux téléchargements, aux mises à jour et/ou aux corrections dès qu'elles sont disponibles. Voir l'intérieur du livre pour plus de détails.
Autres informations sur le livre :
| ISBN : | 9780135172384 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 416 |
Achat:
Actuellement disponible, en stock.
