Maîtriser l'apprentissage par renforcement avec Python : Construire des modèles d'auto-apprentissage de nouvelle génération en utilisant des techniques d'apprentissage par renforcement et les meilleures pratiques.

Avis des lecteurs

Résumé:

Ce livre est fortement recommandé pour ceux qui sont impliqués dans l'apprentissage par renforcement appliqué (RL), offrant un guide pratique avec des exemples du monde réel et des méthodes modernes. Bien qu'il soit bien écrit et qu'il couvre un large éventail de sujets, des bases aux applications avancées, il n'est pas adapté aux débutants complets et nécessite des connaissances en statistiques, en probabilités et en programmation Python. Cependant, le formatage et la présentation du livre ont fait l'objet de critiques.

Avantages:

⬤ Très fluide et facile à suivre avec les codes Python.
⬤ Guide pratique avec des exemples et des applications du monde réel.
⬤ Couvre un large éventail de sujets liés à la NR, y compris des concepts avancés.
⬤ Fournit des ressources externes pour une compréhension plus approfondie.
⬤ Convient aux utilisateurs intermédiaires et aux praticiens qui envisagent de mettre en œuvre des solutions de RL.

Inconvénients:

⬤ Ne convient pas aux débutants complets ; nécessite des connaissances préalables en statistiques et en probabilités, ainsi que des compétences en programmation Python.
⬤ La qualité du formatage et de la présentation laisse à désirer, avec des problèmes tels que des césures incohérentes et des images floues.

(basé sur 13 avis de lecteurs)

Titre original :

Mastering Reinforcement Learning with Python: Build next-generation, self-learning models using reinforcement learning techniques and best practices

Contenu du livre :

Obtenez une expérience pratique dans la création d'agents d'apprentissage par renforcement de pointe à l'aide de TensorFlow et RLlib pour résoudre des problèmes commerciaux et industriels complexes du monde réel avec l'aide de conseils d'experts et de meilleures pratiques.

Caractéristiques principales :

⬤ Comprendre le fonctionnement des algorithmes et des approches d'apprentissage par renforcement à grande échelle.

⬤ Appliquez le RL pour résoudre des problèmes complexes dans les domaines du marketing, de la robotique, de la chaîne d'approvisionnement, de la finance, de la cybersécurité, etc.

⬤ Découvrez les conseils et les meilleures pratiques d'experts qui vous permettront de relever les défis du monde réel en matière de RL.

Description du livre :

L'apprentissage par renforcement (AR) est un domaine de l'intelligence artificielle (IA) utilisé pour créer des agents autonomes auto-apprenants. S'appuyant sur une base théorique solide, ce livre adopte une approche pratique et utilise des exemples inspirés de problèmes industriels réels pour vous enseigner l'état de l'art de l'apprentissage par renforcement.

En commençant par les problèmes de bandits, les processus de décision de Markov et la programmation dynamique, le livre fournit un examen approfondi des techniques classiques de RL, telles que les méthodes de Monte Carlo et l'apprentissage par différence temporelle. Ensuite, vous découvrirez l'apprentissage Q profond, les algorithmes de gradient de politique, les méthodes de critique des acteurs, les méthodes basées sur des modèles et l'apprentissage par renforcement multi-agents. Ensuite, vous serez initié à certaines des approches clés derrière les implémentations RL les plus réussies, telles que la randomisation du domaine et l'apprentissage par curiosité.

Au fur et à mesure de votre progression, vous explorerez de nombreux nouveaux algorithmes avec des implémentations avancées utilisant des bibliothèques Python modernes telles que TensorFlow et le package RLlib de Ray. Vous découvrirez également comment mettre en œuvre le RL dans des domaines tels que la robotique, la gestion de la chaîne d'approvisionnement, le marketing, la finance, les villes intelligentes et la cybersécurité, tout en évaluant les compromis entre les différentes approches et en évitant les pièges les plus courants.

À la fin de ce livre, vous saurez comment former et déployer vos propres agents RL pour résoudre des problèmes RL.

Ce que vous apprendrez

⬤ Modéliser et résoudre des problèmes complexes de prise de décision séquentielle à l'aide du RL.

⬤ Développer une solide compréhension du fonctionnement des méthodes RL de pointe.

⬤ Utilisez Python et TensorFlow pour coder des algorithmes RL à partir de zéro.

⬤ Paralléliser et mettre à l'échelle vos implémentations RL en utilisant le package RLlib de Ray.

⬤ Obtenir une connaissance approfondie d'une grande variété de sujets RL.

⬤ Comprendre les compromis entre les différentes approches RL.

⬤ Découvrir et relever les défis de l'implémentation du RL dans le monde réel.

A qui s'adresse ce livre :

Ce livre s'adresse aux praticiens et chercheurs experts en apprentissage automatique qui souhaitent se concentrer sur l'apprentissage par renforcement pratique avec Python en mettant en œuvre des concepts avancés d'apprentissage par renforcement profond dans des projets réels. Les experts en apprentissage par renforcement qui souhaitent approfondir leurs connaissances pour s'attaquer à des problèmes de prise de décision séquentielle complexes et à grande échelle trouveront également ce livre utile. Une connaissance pratique de la programmation Python et de l'apprentissage profond ainsi qu'une expérience préalable de l'apprentissage par renforcement sont nécessaires.

Autres informations sur le livre :

• ISBN : 9781838644147
• Auteur : Enes Bilgin
• Éditeur : Packt Pub
• Reliure : Broché