Algoritmos de aprendizaje por refuerzo con Python

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 12 votos.

Título original:

Reinforcement Learning Algorithms with Python

Contenido del libro:

Desarrolle algoritmos y agentes de autoaprendizaje utilizando TensorFlow y otras herramientas, marcos de trabajo y bibliotecas de Python Características principales Aprenda, desarrolle e implemente algoritmos avanzados de aprendizaje por refuerzo para resolver una variedad de tareas Comprenda y desarrolle algoritmos sin modelos y basados en modelos para crear agentes de autoaprendizaje Trabaje con conceptos y algoritmos avanzados de aprendizaje por refuerzo, como el aprendizaje por imitación y las estrategias de evolución Descripción del libro

El aprendizaje por refuerzo (RL) es una rama popular y prometedora de la IA que consiste en crear modelos y agentes más inteligentes que puedan determinar automáticamente el comportamiento ideal en función de los requisitos cambiantes. Este libro le ayudará a dominar los algoritmos de RL y a comprender su implementación a medida que construye agentes de autoaprendizaje.

Comenzando con una introducción a las herramientas, bibliotecas y configuración necesarias para trabajar en el entorno de la RL, este libro cubre los componentes básicos de la RL y profundiza en los métodos basados en valores, como la aplicación de los algoritmos Q-learning y SARSA. Aprenderá a utilizar una combinación de Q-learning y redes neuronales para resolver problemas complejos. Además, estudiará los métodos de gradiente de políticas, TRPO y PPO, para mejorar el rendimiento y la estabilidad, antes de pasar a los algoritmos deterministas DDPG y TD3. Este libro también cubre cómo funcionan las técnicas de aprendizaje por imitación y cómo Dagger puede enseñar a un agente a conducir. Descubrirá las estrategias evolutivas y las técnicas de optimización de caja negra, y verá cómo pueden mejorar los algoritmos de RL. Por último, se familiarizará con los enfoques de exploración, como UCB y UCB1, y desarrollará un metaalgoritmo llamado ESBAS.

Al final del libro, habrás trabajado con algoritmos clave de RL para superar retos en aplicaciones del mundo real, y formarás parte de la comunidad de investigación en RL. Lo que aprenderás Desarrollar un agente para jugar a CartPole utilizando la interfaz OpenAI Gym Descubrir el paradigma del aprendizaje por refuerzo basado en modelos Resolver el problema del Lago Helado con programación dinámica Explorar Q-learning y SARSA con vistas a jugar a un juego de taxis Aplicar Deep Q-Networks (DQNs) a juegos Atari utilizando Gym Estudiar algoritmos de gradiente de políticas, incluidos Actor-Critic y REINFORCE Comprender y aplicar PPO y TRPO en entornos de locomoción continua Familiarizarse con las estrategias de evolución para resolver el problema del módulo de aterrizaje lunar A quién va dirigido este libro

Si usted es un investigador de IA, usuario de aprendizaje profundo, o cualquiera que quiera aprender el aprendizaje por refuerzo desde cero, este libro es para usted. También encontrará este libro de aprendizaje por refuerzo útil si desea aprender acerca de los avances en el campo. Es necesario tener conocimientos de Python. Tabla de contenidos El panorama del aprendizaje por refuerzo Implementación de RL Ciclo y gimnasio OpenAI Resolución de problemas con programación dinámica Aprendizaje Q y aplicaciones de SARSA Aprendizaje profundo de redes Q Optimización estocástica y DDPG Implementación de TRPO y PPO Aplicaciones de DDPG y TD3 Aprendizaje por imitación de RL basado en modelos con el algoritmo DAgger Comprensión de los algoritmos de optimización de caja negra Desarrollo del algoritmo ESBAS Implementación práctica para resolver retos de RL