New edition of the bestselling guide to deep reinforcement learning and how it's used to solve complex real-world problems. Revised and expanded to include multi-agent methods, discrete optimization, RL in robotics, advanced exploration techniques, and more
Key Features
- Second edition of the bestselling introduction to deep reinforcement learning, expanded with six new chapters
- Learn advanced exploration techniques including noisy networks, pseudo-count, and network distillation methods
- Apply RL methods to cheap hardware robotics platforms
Book Description
Deep Reinforcement Learning Hands-On, Second Edition is an updated and expanded version of the bestselling guide to the very latest reinforcement learning (RL) tools and techniques. It provides you with an introduction to the fundamentals of RL, along with the hands-on ability to code intelligent learning agents to perform a range of practical tasks.
With six new chapters devoted to a variety of up-to-the-minute developments in RL, including discrete optimization (solving the Rubik's Cube), multi-agent methods, Microsoft's TextWorld environment, advanced exploration techniques, and more, you will come away from this book with a deep understanding of the latest innovations in this emerging field.
In addition, you will gain actionable insights into such topic areas as deep Q-networks, policy gradient methods, continuous control problems, and highly scalable, non-gradient methods. You will also discover how to build a real hardware robot trained with RL for less than $100 and solve the Pong environment in just 30 minutes of training using step-by-step code optimization.
In short, Deep Reinforcement Learning Hands-On, Second Edition, is your companion to navigating the exciting complexities of RL as it helps you attain experience and knowledge through real-world examples.
What you will learn
- Understand the deep learning context of RL and implement complex deep learning models
- Evaluate RL methods including cross-entropy, DQN, actor-critic, TRPO, PPO, DDPG, D4PG, and others
- Build a practical hardware robot trained with RL methods for less than $100
- Discover Microsoft's TextWorld environment, which is an interactive fiction games platform
- Use discrete optimization in RL to solve a Rubik's Cube
- Teach your agent to play Connect 4 using AlphaGo Zero
- Explore the very latest deep RL research on topics including AI chatbots
- Discover advanced exploration techniques, including noisy networks and network distillation techniques
Who this book is for
Some fluency in Python is assumed. Sound understanding of the fundamentals of deep learning will be helpful. This book is an introduction to deep RL and requires no background in RL
چکیده فارسی
نسخه جدید راهنمای پرفروش یادگیری تقویتی عمیق و نحوه استفاده از آن برای حل مسائل پیچیده دنیای واقعی. بازبینی و گسترش یافت تا شامل روش‌های چند عاملی، بهینه‌سازی گسسته، RL در رباتیک، تکنیک‌های کاوش پیشرفته و موارد دیگر شود
ویژگی های کلیدی
- ویرایش دوم پرفروش ترین مقدمه یادگیری تقویتی عمیق، با شش فصل جدید گسترش یافته است
- تکنیک های پیشرفته اکتشاف از جمله شبکه های پر سر و صدا، شبه شمارش و روش های تقطیر شبکه را بیاموزید
- روش‌های RL را برای پلتفرم‌های رباتیک سخت‌افزاری ارزان‌قیمت اعمال کنید
شرح کتاب
Deep Reinforcement Learning Hands-On, Second Edition نسخه به روز شده و توسعه یافته راهنمای پرفروش ترین ابزارها و تکنیک های یادگیری تقویتی (RL) است. مقدمه ای بر اصول RL، همراه با توانایی عملی برای کدنویسی عوامل یادگیری هوشمند برای انجام طیف وسیعی از وظایف عملی در اختیار شما قرار می دهد.
با شش فصل جدید اختصاص داده شده به انواع پیشرفت های لحظه ای در RL، از جمله بهینه سازی گسسته (حل مکعب روبیک)، روش های چند عاملی، محیط TextWorld مایکروسافت، تکنیک های کاوش پیشرفته و موارد دیگر، شما با درک عمیق از آخرین نوآوری ها در این زمینه نوظهور، از این کتاب دور خواهد شد.
علاوه بر این، بینش عملی در زمینه‌های موضوعی مانند شبکه‌های Q عمیق، روش‌های گرادیان خط‌مشی، مشکلات کنترل مستمر، و روش‌های غیر گرادیان بسیار مقیاس‌پذیر، به دست خواهید آورد. همچنین خواهید فهمید که چگونه می توانید یک ربات سخت افزاری واقعی آموزش دیده با RL با کمتر از 100 دلار بسازید و با استفاده از بهینه سازی کد گام به گام، محیط Pong را تنها در 30 دقیقه آموزش حل کنید.
به طور خلاصه، Deep Reinforcement Learning Hands-On، نسخه دوم، همراه شما برای پیمایش پیچیدگی های هیجان انگیز RL است، زیرا به شما کمک می کند از طریق مثال های دنیای واقعی به تجربه و دانش برسید.
آنچه خواهید آموخت
- زمینه یادگیری عمیق RL را درک کنید و مدل های یادگیری عمیق پیچیده را پیاده سازی کنید
- روش‌های RL از جمله آنتروپی متقابل، DQN، بازیگر منتقد، TRPO، PPO، DDPG، D4PG و موارد دیگر را ارزیابی کنید
- یک ربات سخت افزاری عملی آموزش دیده با روش های RL با کمتر از 100 دلار بسازید
- محیط TextWorld مایکروسافت را که یک پلتفرم بازی های تخیلی تعاملی است، کشف کنید
- از بهینه سازی گسسته در RL برای حل مکعب روبیک استفاده کنید
- به نماینده خود آموزش دهید Connect 4 را با استفاده از AlphaGo Zero بازی کند
- آخرین تحقیقات عمیق RL در مورد موضوعاتی از جمله ربات‌های گفتگوی هوش مصنوعی را کاوش کنید
- تکنیک های پیشرفته اکتشاف، از جمله شبکه های پر سر و صدا و تکنیک های تقطیر شبکه را کشف کنید
این کتاب برای چه کسی است
مقداری تسلط در پایتون فرض شده است. درک صحیح از اصول یادگیری عمیق مفید خواهد بود. این کتاب مقدمه ای بر RL عمیق است و به هیچ پیشینه ای در RL
نیاز ندارد
ادامه ...
بستن ...
