Foundations of Deep Reinforcement Learning: Theory and Practice in Python

مقدمه معاصر بر یادگیری تقویتی عمیق که تئوری و عمل را با هم ترکیب می‌کند

یادگیری عمیق تقویتی (RL) ترکیبی از یادگیری عمیق و یادگیری تقویتی است. که عوامل مصنوعی حل مسائل تصمیم گیری متوالی را یاد می گیرند. در دهه گذشته دیپ RL به نتایج قابل توجهی در مورد طیف وسیعی از مشکلات دست یافته است، از بازی های تک نفره و چند نفره مانند بازی های Go، Atari و DotA 2 گرفته تا روباتیک.

مبانی یادگیری تقویتی عمیق. مقدمه‌ای بر RL عمیق است که به طور منحصربه‌فردی هم تئوری و هم پیاده‌سازی را با هم ترکیب می‌کند. با شهود شروع می‌شود، سپس نظریه الگوریتم‌های RL عمیق را به دقت توضیح می‌دهد، پیاده‌سازی‌ها را در کتابخانه نرم‌افزار همراه خود SLM Lab مورد بحث قرار می‌دهد، و با جزئیات عملی شروع به کار عمیق RL به پایان می‌رسد.

این راهنما برای کار ایده‌آل است. هم دانشجویان علوم کامپیوتر و هم مهندسان نرم افزار که با مفاهیم اولیه یادگیری ماشین آشنا هستند و درک درستی از Python دارند.

• هر یک از جنبه های کلیدی یک مشکل RL عمیق را درک کنید
• کاوش کنید. الگوریتم‌های مبتنی بر خط‌مشی و ارزش، از جمله REINFORCE، SARSA، DQN، Double DQN، و تکرار تجربه اولویت‌دار (PER)
• در الگوریتم‌های ترکیبی، از جمله Actor-Critic و Proximal Policy Optimization (PPO) کاوش کنید. li>
• دریابید که چگونه الگوریتم ها را می توان به صورت همزمان و ناهمزمان موازی کرد
• الگوریتم ها را در آزمایشگاه SLM اجرا کنید و جزئیات پیاده سازی عملی برای به کار انداختن RL عمیق را بیاموزید
• نتایج معیار الگوریتم را با هایپرپارامترهای تنظیم شده
• درک عمق RL e محیط‌ها طراحی شده‌اند

کتاب خود را برای دسترسی راحت به دانلودها، به‌روزرسانی‌ها و/یا اصلاحات به محض دردسترس شدن، ثبت کنید. برای جزئیات به داخل کتاب مراجعه کنید.

The Contemporary Introduction to Deep Reinforcement Learning that Combines Theory and Practice

Deep reinforcement learning (deep RL) combines deep learning and reinforcement learning, in which artificial agents learn to solve sequential decision-making problems. In the past decade deep RL has achieved remarkable results on a range of problems, from single and multiplayer gamessuch as Go, Atari games, and DotA 2to robotics.

Foundations of Deep Reinforcement Learning is an introduction to deep RL that uniquely combines both theory and implementation. It starts with intuition, then carefully explains the theory of deep RL algorithms, discusses implementations in its companion software library SLM Lab, and finishes with the practical details of getting deep RL to work.

This guide is ideal for both computer science students and software engineers who are familiar with basic machine learning concepts and have a working understanding of Python.

• Understand each key aspect of a deep RL problem
• Explore policy- and value-based algorithms, including REINFORCE, SARSA, DQN, Double DQN, and Prioritized Experience Replay (PER)
• Delve into combined algorithms, including Actor-Critic and Proximal Policy Optimization (PPO)
• Understand how algorithms can be parallelized synchronously and asynchronously
• Run algorithms in SLM Lab and learn the practical implementation details for getting deep RL to work
• Explore algorithm benchmark results with tuned hyperparameters
• Understand how deep RL environments are designed

Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.