Aprendizaje por refuerzo profundo práctico con Python: Implementación Concisa de Algoritmos, Matemáticas Simplificadas y Uso Eficaz de TensorFlow y PyTorch

Opiniones de los lectores

El libro ofrece una introducción estructurada y clara al aprendizaje por refuerzo, enlazando conceptos complejos con eficacia y ofreciendo ejemplos prácticos de codificación. Sin embargo, algunos lectores lo han criticado por la mala calidad del contenido, el código anticuado y las explicaciones insuficientes.

⬤ Presentación organizada de conceptos complejos de aprendizaje por refuerzo.
⬤ Conecta a la perfección diferentes aspectos del tema.
⬤ Ejemplos prácticos de codificación e implementaciones en PyTorch y TensorFlow.
⬤ Adecuado para varios niveles de conocimiento, incluyendo principiantes.

⬤ Algunos lectores encontraron que el contenido carecía de profundidad y claridad.
⬤ Problemas con la calidad del código, incluyendo fallos y errores.
⬤ Algunos creen que se queda corto en comparación con otros recursos de aprendizaje por refuerzo.

(basado en 7 opiniones de lectores)

Título original:

Practical Deep Reinforcement Learning with Python: Concise Implementation of Algorithms, Simplified Maths, and Effective Use of TensorFlow and PyTorch

Contenido del libro:

Introducing Practical Smart Agents Development using Python, PyTorch, and TensorFlow Introducción al desarrollo práctico de agentes inteligentes con Python, PyTorch y TensorFlow.

CARACTERÍSTICAS PRINCIPALES

⬤  Exposición a técnicas bien conocidas de RL, incluyendo Monte-Carlo, Deep Q-Learning, Policy Gradient y Actor-Critical.

⬤  Experiencia práctica con TensorFlow y PyTorch en proyectos de aprendizaje de refuerzo.

⬤  Todo es conciso, actualizado y explicado visualmente con matemáticas simplificadas.

DESCRIPCIÓN

El aprendizaje por refuerzo es una rama fascinante de la IA que difiere del aprendizaje automático estándar de varias maneras. La adaptación y el aprendizaje en un entorno impredecible es la parte de este proyecto. En la actualidad existen numerosas aplicaciones del aprendizaje por refuerzo en el mundo real, como la medicina, los juegos de azar, la actividad de imitación humana y la robótica.

Este libro introduce al lector en el aprendizaje por refuerzo desde un punto de vista pragmático. El libro implica matemáticas, pero no pretende sobrecargar al lector principiante en el campo del aprendizaje por refuerzo.

El libro llama la atención del lector sobre un montón de métodos innovadores en el aprendizaje muy práctico, incluyendo Monte-Carlo, Deep Q-Learning, Policy Gradient y métodos Actor-Critical. Mientras que usted entiende estas técnicas en detalle, el libro también proporciona una implementación real de estos métodos y técnicas utilizando el poder de TensorFlow y PyTorch. El libro cubre algunos proyectos atractivos que muestran el poder del aprendizaje por refuerzo, y sin mencionar que todo es conciso, actualizado y explicado visualmente.

Después de terminar este libro, el lector tendrá una comprensión profunda e intuitiva del aprendizaje por refuerzo moderno y sus aplicaciones, lo que le ayudará enormemente a profundizar en el interesante campo del aprendizaje por refuerzo.

LO QUE APRENDERÁ

⬤  Familiarizarse con los fundamentos del Aprendizaje por Refuerzo y el Aprendizaje por Refuerzo Profundo.

⬤  Hacer uso de Python y Gym framework para modelar un entorno externo.

⬤  Aplicar técnicas clásicas de aprendizaje Q, Monte Carlo, Policy Gradient y Thompson sampling.

⬤  Explore TensorFlow y PyTorch para practicar los fundamentos del aprendizaje de refuerzo profundo.

⬤  Diseñe un agente inteligente para un problema particular utilizando una técnica específica.

A QUIÉN VA DIRIGIDO ESTE LIBRO

Este libro está dirigido a ingenieros de aprendizaje automático, fanáticos del aprendizaje profundo, desarrolladores de software de IA, científicos de datos y otros profesionales de datos deseosos de aprender y aplicar el aprendizaje por refuerzo a proyectos en curso. No es necesario tener conocimientos especializados de aprendizaje automático.

Sin embargo, se recomienda tener conocimientos de Python.