Fundamentos del aprendizaje profundo por refuerzo: Teoría y práctica en Python

Opiniones de los lectores

El libro recibe elogios por sus explicaciones claras y su enfoque práctico del aprendizaje profundo por refuerzo (DRL), que ofrece un recurso sólido para los lectores que deseen implementar algoritmos. Sin embargo, las críticas destacan la mala calidad del papel, los problemas con la edición Kindle y la dependencia de un marco personalizado que puede disuadir a algunos lectores.

⬤ Explicaciones claras y bien estructuradas de los conceptos y algoritmos de DRL.
⬤ Recursos prácticos, incluido código de ejemplo y repositorio de GitHub para la implementación.
⬤ Adecuado para lectores con distintos niveles de experiencia.
⬤ Cobertura concisa de los temas, lo que facilita el aprendizaje.
⬤ Útil para relacionar la teoría con la práctica, facilitando el aprendizaje práctico.

⬤ Mala calidad del papel y problemas de impresión reportados, incluyendo mal olor y páginas delgadas.
⬤ La edición Kindle tiene problemas de formato con fórmulas que afectan a la usabilidad.
⬤ Depende en gran medida del marco personalizado de los autores (SLM Lab), que puede no resultar atractivo para quienes prefieren ejemplos de codificación más universales.
⬤ Algunos ejemplos están desfasados, lo que obliga a los lectores a adaptar el código para que funcione con bibliotecas actualizadas.

(basado en 27 opiniones de lectores)

Título original:

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

Contenido del libro:

La introducción contemporánea al aprendizaje profundo por refuerzo que combina teoría y práctica.

El aprendizaje profundo por refuerzo (deep RL) combina el aprendizaje profundo y el aprendizaje por refuerzo, en el que los agentes artificiales aprenden a resolver problemas secuenciales de toma de decisiones. En la última década, el RL profundo ha logrado resultados notables en una serie de problemas, desde juegos individuales y multijugador -como Go, juegos Atari y DotA 2- hasta robótica.

Foundations of Deep Reinforcement Learning es una introducción a la RL profunda que combina de forma única teoría e implementación. Comienza con la intuición, luego explica detenidamente la teoría de los algoritmos de RL profundo, analiza las implementaciones en su biblioteca de software complementaria SLM Lab y termina con los detalles prácticos de cómo hacer funcionar el RL profundo.

Esta guía es ideal tanto para estudiantes de informática como para ingenieros de software que estén familiarizados con los conceptos básicos del aprendizaje automático y tengan conocimientos prácticos de Python.

⬤ Comprender cada aspecto clave de un problema de RL profundo.

⬤ Explorar algoritmos basados en políticas y valores, como REINFORCE, SARSA, DQN, Double DQN y Prioritized Experience Replay (PER).

⬤ Profundizar en algoritmos combinados, incluyendo Actor-Crítico y Optimización de Política Proximal (PPO)

⬤ Comprender cómo se pueden paralelizar algoritmos de forma sincrónica y asincrónica.

⬤ Ejecutar algoritmos en SLM Lab y aprender los detalles prácticos de implementación para obtener RL profunda para trabajar.

⬤ Explorar los resultados de los algoritmos con hiperparámetros ajustados.

⬤ Comprender cómo se diseñan los entornos de RL profunda.

Registre su libro para acceder cómodamente a descargas, actualizaciones y/o correcciones a medida que estén disponibles. Consulte el interior del libro para más detalles.