Aprendizaje por refuerzo: Aplicaciones industriales de los agentes inteligentes

Opiniones de los lectores

El libro ofrece una combinación de conocimientos académicos y aplicaciones prácticas del aprendizaje reforzado. Sin embargo, adolece de errores tipográficos graves, una calidad de impresión deficiente y falta de claridad en cuanto al público al que va dirigido. Muchos críticos lo consideraron demasiado académico para los principiantes y no lo suficientemente práctico para su aplicación directa en la industria.

Gran mezcla de academia e industria, ideas útiles para casos de uso práctico, estado bien recibido en el momento de la entrega.

Graves erratas en las ecuaciones centrales, calidad de impresión en blanco y negro deficiente, público destinatario poco claro, carece de suficiente claridad y sentido práctico, demasiado académico para principiantes.

(basado en 5 opiniones de lectores)

Título original:

Reinforcement Learning: Industrial Applications of Intelligent Agents

Contenido del libro:

El aprendizaje por refuerzo (RL) supondrá uno de los mayores avances de la IA en la próxima década, ya que permitirá a los algoritmos aprender de su entorno para alcanzar objetivos arbitrarios. Este apasionante avance evita las limitaciones de los algoritmos tradicionales de aprendizaje automático. Este libro práctico muestra a los profesionales de la ciencia de datos y la IA cómo aprender por refuerzo y permitir que una máquina aprenda por sí misma.

El autor, Phil Winder, de Winder Research, lo abarca todo, desde los componentes básicos hasta las prácticas más avanzadas. Explorará el estado actual de la RL, se centrará en aplicaciones industriales, aprenderá numerosos algoritmos y se beneficiará de capítulos dedicados a la implementación de soluciones de RL en la producción. No se trata de un libro de cocina; no rehúye las matemáticas y espera que esté familiarizado con el ML.

⬤ Aprenda qué es la RL y cómo los algoritmos ayudan a resolver problemas.

⬤ Conozca los fundamentos de la RL, incluidos los procesos de decisión de Markov, la programación dinámica y el aprendizaje por diferencias temporales.

⬤ Profundizar en una serie de métodos de gradiente de valor y política.

⬤ Aplicar soluciones avanzadas de RL como metaaprendizaje, aprendizaje jerárquico, multiagente y aprendizaje por imitación.

⬤ Comprender los algoritmos RL profundos de vanguardia, incluyendo Rainbow, PPO, TD3, SAC, y más.

⬤ Obtenga ejemplos prácticos a través del sitio web adjunto.