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 games–such as Go, Atari games, and DotA 2–to 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.
ترجمه فارسی (ترجمه ماشینی)
مقدمه معاصر بر یادگیری تقویتی عمیق که تئوری و عمل را ترکیب می کند
یادگیری تقویتی عمیق (Deep RL) ترکیبی از یادگیری عمیق و یادگیری تقویتی است که در آن 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، از بازی های تک نفره و چند نفره – مانند بازی های Go، Atari و DotA 2- گرفته تا روباتیک دست یافته است.
مبانی یادگیری تقویتی عمیق مقدمه ای بر RL عمیق است که به طور منحصر به فردی تئوری و پیاده سازی را با هم ترکیب می کند. 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 به کار بردن RL عمیق پایان میدهد.
این راهنما هم برای دانشجویان علوم کامپیوتر و هم برای مهندسان نرم افزار که با مفاهیم اولیه یادگیری ماشین آشنا هستند و درک درستی از Python دارند ایده آل است.
- درک هر جنبه کلیدی یک مشکل عمیق RL
- کاوش در الگوریتمهای مبتنی بر خطمشی و ارزش، از جمله REINFORCE، SARSA، DQN، Double DQN و تکرار تجربه اولویتدار (PER)
- کاوش در الگوریتم های ترکیبی، از جمله Actor-Critic و Proximal Policy Optimization (PPO)
- درک نحوه موازی سازی الگوریتم ها به صورت همزمان و ناهمزمان
- الگوریتم ها را در آزمایشگاه SLM و اجرا کنید. جزئیات پیاده سازی عملی برای به کار انداختن RL عمیق را بیاموزید
- نتایج معیار الگوریتم را با فراپارامترهای تنظیم شده کاوش کنید
- درک نحوه طراحی محیط های عمیق RL
کتاب خود را برای دسترسی راحت به بارگیریها، بهروزرسانیها، و/یا اصلاحات در صورت در دسترس بودن ثبت کنید. برای جزئیات به داخل کتاب مراجعه کنید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.