Глубокое обучение с подкреплением. AlphaGo и другие технологии
Описание и характеристики
Для экспериментов используются самые разные среды обучения с подкреплением (RL), начиная с классических CartPole и GridWorld и заканчивая эмуляторами Atari и средами непрерывного управления (на основе PyBullet и RoboSchool). Множество примеров основано на нестандартных средах, в которых мы с нуля разработаем модель окружения.
В этой книге:
• Вы узнаете, какое место в контексте глубокого обучения занимают методы RL, реализуете сложные модели глубокого обучения.
• Изучите основу RL: марковские процессы принятия решений.
• Рассмотрите примеры реализации методов RL: метод кросс-энтропии, DQN, A3C, TRPO, PPO, DDPG, D4PG и других.
• Узнаете, как работать с дискретными и непрерывными пространствами действий в различных средах.
• Увидите, как разработать систему, обучающуюся играм Atari, используя обучение с подкреплением.
• Создадите собственную среду по модели OpenAI Gym для обучения биржевого агента.
• Реализуете метод AlphaGo Zero для игры в Connect4.
• Познакомитесь с применением RL в обработке речи: узнаете, как обучить диалогового бота на фразах из кинофильмов.
ID товара
2798725
Издательство
Питер
Серия
Для профессионалов
Год издания
2020
ISBN
978-5-4461-1079-7
Количество страниц
496
Размер
2.2x16.4x23.3
Тип обложки
Мягкий переплёт
Тираж
700
Вес, г
629
Возрастные ограничения
16+
Только в магазинах
Наличие в магазинах
за 2 149 ₽
Москва
Нет в наличии
Отзывы
15 бонусов
за полезный отзыв длиной от 300 символов
15 бонусов
если купили в интернет-магазине «Читай-город»
Оставьте отзыв и получите бонусы
Оставьте первый отзыв и получите за него бонусы.
Это поможет другим покупателям сделать правильный выбор.
3.0
Эта книга — подробное руководство по новейшим инструментам глубокого обучения с подкреплением и их ограничениям. Мы реализуем и проверим на практике методы кросс-энтропии и итерации по ценностям (Q-learning), а также градиенты по стратегиям.
Для экспериментов используются самые разные среды обучения с подкреплением (RL), начиная с классических CartPole и GridWorld и заканчивая эмуляторами Atari и средами непрерывного управления (на основе PyBullet и RoboSchool). Множество примеров основано на нестандартных средах, в которых мы с нуля разработаем модель окружения.
В этой книге:
• Вы узнаете, какое место в контексте глубокого обучения занимают методы RL, реализуете сложные модели глубокого обучения.
• Изучите основу RL: марковские процессы принятия решений.
• Рассмотрите примеры реализации методов RL: метод кросс-энтропии, DQN, A3C, TRPO, PPO, DDPG, D4PG и других.
• Узнаете, как работать с дискретными и непрерывными пространствами действий в различных средах.
• Увидите, как разработать систему, обучающуюся играм Atari, используя обучение с подкреплением.
• Создадите собственную среду по модели OpenAI Gym для обучения биржевого агента.
• Реализуете метод AlphaGo Zero для игры в Connect4.
• Познакомитесь с применением RL в обработке речи: узнаете, как обучить диалогового бота на фразах из кинофильмов.
Для экспериментов используются самые разные среды обучения с подкреплением (RL), начиная с классических CartPole и GridWorld и заканчивая эмуляторами Atari и средами непрерывного управления (на основе PyBullet и RoboSchool). Множество примеров основано на нестандартных средах, в которых мы с нуля разработаем модель окружения.
В этой книге:
• Вы узнаете, какое место в контексте глубокого обучения занимают методы RL, реализуете сложные модели глубокого обучения.
• Изучите основу RL: марковские процессы принятия решений.
• Рассмотрите примеры реализации методов RL: метод кросс-энтропии, DQN, A3C, TRPO, PPO, DDPG, D4PG и других.
• Узнаете, как работать с дискретными и непрерывными пространствами действий в различных средах.
• Увидите, как разработать систему, обучающуюся играм Atari, используя обучение с подкреплением.
• Создадите собственную среду по модели OpenAI Gym для обучения биржевого агента.
• Реализуете метод AlphaGo Zero для игры в Connect4.
• Познакомитесь с применением RL в обработке речи: узнаете, как обучить диалогового бота на фразах из кинофильмов.