Не просто теория, а работающие нейросети. Научитесь сочетать Q-обучение с глубокими нейронными сетями для решения сложных задач!
Хотите добавить в свои проекты на Python интеллектуальных агентов, способных учиться на собственном опыте? Эта книга — ваш самый прямой путь. Автор, Энцо Лонца, фокусируется на практической реализации ключевых алгоритмов обучения с подкреплением. Вы не просто прочтете о них, а напишете код для методов градиента стратегии, современных алгоритмов вроде PPO и TD3, а также научитесь сочетать Q-обучение с нейросетями (Deep Q-Networks). Издание идеально подходит для разработчиков, уже владеющих Python, и позволит вам быстро перейти от теории к созданию работающих прототипов для игр, автоматизации и робототехники.
Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов.
В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и мета-алгоритмом ESBAS.
Издание предназначено для тех, кто интересуется исследованиями в области искусственного интеллекта, применяет в работе глубокое обучение или хочет освоить обучение с подкреплением с нуля. Обязательное условие – владение языком Python на рабочем уровне.
Книга знакомит с практическими методами создания самообучающихся агентов на Python. Материал помогает разобраться в принципах обучения с подкреплением и применять алгоритмы для решения сложных задач.
Особое внимание уделено глубокому обучению, исследованию среды и повышению устойчивости алгоритмов. Практические примеры позволяют перейти от изучения математических идей к реализации работающих моделей.
Издание подойдет разработчикам и специалистам по искусственному интеллекту, которые уже владеют Python. Полученные знания можно использовать при создании интеллектуальных систем, прототипов и решений для автоматизации.