Dominio del aprendizaje por refuerzo con Python: Construya modelos de aprendizaje automático de próxima generación utilizando técnicas y mejores prácticas de aprendizaje por refuerzo

Opiniones de los lectores

El libro es muy recomendable para quienes se dedican al aprendizaje por refuerzo (RL) aplicado, ya que ofrece una guía práctica con ejemplos del mundo real y métodos modernos. Aunque está bien escrito y abarca un amplio abanico de temas, desde los conceptos básicos hasta las aplicaciones avanzadas, no es apto para principiantes y requiere ciertos conocimientos de estadística, probabilidad y programación en Python. Sin embargo, el formato y la presentación del libro han recibido críticas.

⬤ Gran fluidez y fácil de seguir junto con los códigos de Python.
⬤ Guía práctica con ejemplos y aplicaciones del mundo real.
⬤ Cubre una amplia gama de temas de RL incluyendo conceptos avanzados.
⬤ Proporciona recursos externos para una comprensión más profunda.
⬤ Adecuado para usuarios intermedios y profesionales que planean implementar soluciones de RL.

⬤ No es para principiantes; requiere conocimientos previos de estadística, probabilidad y algunas habilidades de programación en Python.
⬤ Formato y calidad de presentación deficientes, con problemas como separación silábica incoherente e imágenes borrosas.

(basado en 13 opiniones de lectores)

Título original:

Mastering Reinforcement Learning with Python: Build next-generation, self-learning models using reinforcement learning techniques and best practices

Contenido del libro:

Obtenga experiencia práctica en la creación de agentes de aprendizaje de refuerzo de última generación utilizando TensorFlow y RLlib para resolver complejos problemas empresariales e industriales del mundo real con la ayuda de consejos de expertos y mejores prácticas.

Características principales:

⬤ Entender cómo funcionan los algoritmos y enfoques de RL del estado de la técnica a gran escala.

⬤ Aplicar RL para resolver problemas complejos en marketing, robótica, cadena de suministro, finanzas, ciberseguridad y más.

⬤ Explore los consejos y las mejores prácticas de los expertos que le permitirán superar los desafíos de la RL en el mundo real.

Descripción del libro:

El aprendizaje por refuerzo (RL) es un campo de la inteligencia artificial (IA) utilizado para crear agentes autónomos de autoaprendizaje. Partiendo de una sólida base teórica, este libro adopta un enfoque práctico y utiliza ejemplos inspirados en problemas reales de la industria para enseñarle lo último en RL.

Empezando por los problemas bandido, los procesos de decisión de Markov y la programación dinámica, el libro ofrece una revisión en profundidad de las técnicas clásicas de RL, como los métodos Monte Carlo y el aprendizaje por diferencia temporal. Después, aprenderá sobre el aprendizaje Q profundo, los algoritmos de gradiente de políticas, los métodos actor-críticos, los métodos basados en modelos y el aprendizaje de refuerzo multiagente. A continuación, conocerá algunos de los enfoques clave que subyacen a las implementaciones de RL más exitosas, como la aleatorización de dominios y el aprendizaje basado en la curiosidad.

A medida que avance, explorará muchos algoritmos novedosos con implementaciones avanzadas utilizando bibliotecas modernas de Python como TensorFlow y el paquete RLlib de Ray. También descubrirá cómo implementar la RL en áreas como la robótica, la gestión de la cadena de suministro, el marketing, las finanzas, las ciudades inteligentes y la ciberseguridad, al tiempo que evalúa las ventajas y desventajas de los distintos enfoques y evita los errores más comunes.

Al final de este libro, dominará cómo entrenar y desplegar sus propios agentes de RL para resolver problemas de RL.

Lo que aprenderá

⬤ Modelar y resolver problemas complejos de toma de decisiones secuenciales utilizando RL.

⬤ Desarrollar una sólida comprensión de cómo funcionan los métodos de RL más avanzados.

⬤ Utilizar Python y TensorFlow para codificar algoritmos RL desde cero.

⬤ Paralelizar y escalar sus implementaciones RL utilizando el paquete RLlib de Ray.

⬤ Obtener un conocimiento profundo de una amplia variedad de temas de RL.

⬤ Comprender las ventajas y desventajas entre los diferentes enfoques de RL.

⬤ Descubrir y abordar los desafíos de implementar RL en el mundo real.

Para quién es este libro:

Este libro es para profesionales expertos en aprendizaje automático e investigadores que buscan centrarse en el aprendizaje de refuerzo práctico con Python mediante la implementación de conceptos avanzados de aprendizaje de refuerzo profundo en proyectos del mundo real. Los expertos en aprendizaje por refuerzo que deseen avanzar en sus conocimientos para abordar problemas de toma de decisiones secuenciales complejos y a gran escala también encontrarán útil este libro. Se requieren conocimientos prácticos de programación en Python y aprendizaje profundo junto con experiencia previa en aprendizaje por refuerzo.