Aprendizaje profundo por refuerzo en acción

Opiniones de los lectores

El libro ofrece una introducción exhaustiva a las técnicas modernas de aprendizaje por refuerzo (RL), abarcando tanto temas convencionales como no convencionales. Aunque está bien escrito y ofrece valiosas perspectivas sobre diversos algoritmos de RL, adolece de importantes problemas de ejecución de código y edición técnica.

Descripción precisa y bien redactada de los algoritmos modernos de RL, adecuada para los profesionales. Cubre una amplia gama de temas, incluyendo técnicas básicas y avanzadas utilizando librerías estándar como PyTorch, NumPy y OpenAI Gym. Fomenta la experimentación y la comprensión de los conceptos básicos.

Los ejemplos de código no funcionan, lo que provoca frustración en los lectores. Algunos usuarios informaron de que abandonaron el libro debido al código mal explicado y a la falta de correlación con los recursos de GitHub. Necesita una edición técnica exhaustiva para mejorar la usabilidad.

(basado en 3 opiniones de lectores)

Título original:

Deep Reinforcement Learning in Action

Contenido del libro:

Los seres humanos aprendemos mejor a partir de la retroalimentación: se nos anima a emprender acciones que conducen a resultados positivos, mientras que se nos disuade de tomar decisiones con consecuencias negativas. Este proceso de refuerzo puede aplicarse a los programas informáticos, permitiéndoles resolver problemas más complejos que la programación clásica no puede resolver.

Aprendizaje por refuerzo profundo en acción le enseña los conceptos fundamentales y la terminología del aprendizaje por refuerzo profundo, junto con las habilidades y técnicas prácticas que necesitará para implementarlo en sus propios proyectos.

La compra del libro impreso incluye un libro electrónico gratuito en formatos PDF, Kindle y ePub de Manning Publications.