Product details
- Publisher : Addison-Wesley Professional; 1st edition (December 5, 2019)
- Language : English
- Paperback : 416 pages
- ISBN-10 : 0135172381
- ISBN-13 : 978-0135172384
کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python (Addison-Wesley Data & Analytics Series)
The Contemporary Introduction to Deep Reinforcement Learning that Combines Theory and Practice
Deep reinforcement learning (deep RL) combines deep learning and reinforcement learning, in which artificial agents learn to solve sequential decision-making problems. In the past decade deep RL has achieved remarkable results on a range of problems, from single and multiplayer games–such as Go, Atari games, and DotA 2–to robotics.
- Understand each key aspect of a deep RL problem
- Explore policy- and value-based algorithms, including REINFORCE, SARSA, DQN, Double DQN, and Prioritized Experience Replay (PER)
- Delve into combined algorithms, including Actor-Critic and Proximal Policy Optimization (PPO)
- Understand how algorithms can be parallelized synchronously and asynchronously
- Run algorithms in SLM Lab and learn the practical implementation details for getting deep RL to work
- Explore algorithm benchmark results with tuned hyperparameters
- Understand how deep RL environments are designed
منابع کتاب کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python (Addison-Wesley Data & Analytics Series)
مقدمه معاصر به یادگیری تقویت عمیق است که ترکیبی از تئوری و تمرین یادگیری تقویت عمیق (عمیق RL) ترکیبی از یادگیری عمیق و یادگیری تقویت، که در آن عوامل مصنوعی یاد می گیرند برای حل مشکلات تصمیم گیری های توالی.
در دهه گذشته عمیق RL نتایج قابل توجهی در طیف وسیعی از مشکلات، از بازی های تک نفره و چند نفره مانند برو، بازی آتاری، و DotA 2-به رباتیک به دست آورد.
- درک هر جنبه کلیدی از یک مشکل RL عمیق
- بررسی الگوریتم های مبتنی بر سیاست و ارزش، از جمله REINFORCE، SARSA، DQN، DQN دو برابر، و پخش تجربه اولویت بندی شده (PER)
- Delve into combined algorithms, including Actor-Critic and Proximal Policy Optimization (PPO)
- درک کنید که چگونه الگوریتم ها می توانند به صورت همزمان و ناهمزمان موازی شوند
- اجرای الگوریتم ها در آزمایشگاه SLM و یادگیری جزئیات پیاده سازی عملی برای گرفتن RL عمیق به کار
- بررسی نتایج معیار الگوریتم با hyperparameters کوک
- درک کنید که چگونه محیط های عمیق RL طراحی شده اند
ارسال نظر درباره کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python (Addison-Wesley Data & Analytics Series)