Deep Reinforcement Learning Hands-On: Aplique métodos modernos de RL, con deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero y mucho más

Opiniones de los lectores

El libro es una guía práctica muy elogiada sobre el aprendizaje profundo por refuerzo, que combina la teoría con ejemplos prácticos de código. Muchos lectores aprecian su claridad, organización y la capacidad del autor para hacer accesibles conceptos complejos. Sin embargo, algunas críticas mencionan una falta de profundidad en las explicaciones teóricas y algunas imprecisiones en las definiciones.

⬤ Fácilmente accesible y bien escrito, dirigido tanto a principiantes como a aquellos con conocimientos previos en la materia.
⬤ Ejemplos de código detallados que mejoran la comprensión de los conceptos.
⬤ Excelente para la aplicación práctica con bibliotecas y técnicas recientes.
⬤ Proporciona explicaciones claras de los conceptos teóricos.
⬤ Muy recomendable para cualquier persona interesada en el Aprendizaje por Refuerzo.

⬤ Algunos lectores señalan inexactitudes, como la definición de tensores.
⬤ No profundiza lo suficiente en la teoría matemática para quienes buscan presentaciones en profundidad.
⬤ Requiere recursos adicionales para comprender completamente ciertos conceptos.
⬤ Algunos ejemplos pueden inducir a confusión y requieren más investigación.

(basado en 44 opiniones de lectores)

Título original:

Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more

Contenido del libro:

Nota del editor: Esta edición de 2018 está obsoleta y no es compatible con ninguna de las actualizaciones más recientes de las bibliotecas de Python. Ya está disponible una nueva tercera edición, actualizada para 2020 con seis nuevos capítulos que incluyen métodos multiagente, optimización discreta, RL en robótica y técnicas avanzadas de exploración.

Esta guía práctica le enseñará cómo se puede utilizar el aprendizaje profundo (DL) para resolver problemas complejos del mundo real.

Características principales

⬤ Explore el aprendizaje profundo por refuerzo (RL), desde los primeros principios hasta los últimos algoritmos.

⬤ Evalúe métodos de RL de alto perfil, incluyendo iteración de valor, redes Q profundas, gradientes de política, TRPO, PPO, DDPG, D4PG, estrategias de evolución y algoritmos genéticos.

⬤ Manténgase al día con los últimos desarrollos de la industria, incluyendo chatbots impulsados por IA.

Descripción del libro

Deep Reinforcement Learning Hands-On es una guía completa de las últimas herramientas de aprendizaje por refuerzo y sus limitaciones. Evaluará métodos como la entropía cruzada y los gradientes de políticas, antes de aplicarlos a entornos reales. Enfréntese tanto al conjunto de juegos virtuales de Atari como a los favoritos de la familia, como Connect4.

El libro ofrece una introducción a los fundamentos de la RL, proporcionándole los conocimientos necesarios para codificar agentes de aprendizaje inteligentes que se encarguen de una formidable variedad de tareas prácticas. Descubra cómo implementar Q-learning en entornos "grid world", enseñe a su agente a comprar y negociar acciones y descubra cómo los modelos de lenguaje natural están impulsando el auge de los chatbots.

Lo que aprenderá

⬤ Comprender el contexto DL de RL e implementar modelos DL complejos.

⬤ Aprender los fundamentos de la RL: procesos de decisión de Markov.

⬤ Evaluar métodos de RL incluyendo Entropía Cruzada, DQN, Actor-Crítico, TRPO, PPO, DDPG, D4PG y otros.

⬤ Descubrir cómo tratar con espacios de acción discretos y continuos en varios entornos.

⬤ Derrotar a los juegos arcade de Atari utilizando el método de iteración de valores.

⬤ Crea tu propio entorno OpenAI Gym para entrenar a un agente de comercio de acciones.

⬤ Enseñe a su agente a jugar a Connect4 utilizando AlphaGo Zero.

⬤ Explore las últimas investigaciones profundas de RL sobre temas que incluyen chatbots impulsados por IA.

Para quién es este libro

Se asume cierta fluidez en Python. Los enfoques básicos de aprendizaje profundo (DL) deben ser familiares para los lectores y alguna experiencia práctica en DL será útil. Este libro es una introducción al aprendizaje profundo por refuerzo (RL) y no requiere conocimientos previos de RL.