Głębokie uczenie przez wzmacnianie. Praca z chatbotami oraz robotyka, optymalizacja dyskretna i automatyzacja sieciowa w praktyc

Głębokie uczenie przez wzmacnianie. Praca z chatbotami oraz robotyka, optymalizacja dyskretna i automatyzacja sieciowa w praktyce. Wydanie II Autor: Maxim Lapan Tytuł Oryginału: Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, 2nd Edition Tłumaczenie: Jacek Janusz ISBN: 978-83-283-8052-3 Liczba stron: 720 Format: 168x237 Oprawa: miękka

Głębokie uczenie przez wzmacnianie rozwija się bardzo dynamicznie. Dziedzinę tę charakteryzuje niewyczerpany potencjał rozwiązywania trudnych problemów. Zajmuje się tym co najmniej kilka grup badawczych, koncentrujących się na wdrażaniu głębokiego uczenia przez wzmacnianie w różnych branżach. Niestety, opisy najnowszych osiągnięć są trudne do zrozumienia i zbyt abstrakcyjne, aby można było je łatwo zastosować w praktycznych implementacjach, a przecież poprawne działanie aplikacji jest uwarunkowane gruntownym zrozumieniem problemu przez projektanta. To zaktualizowane i rozszerzone wydanie bestsellerowego przewodnika po najnowszych narzędziach i metodach związanych z uczeniem przez wzmacnianie. Zawiera wprowadzenie do teorii uczenia przez wzmacnianie, a także wyjaśnia praktyczne sposoby kodowania samouczących się agentów w celu rozwiązywania praktycznych zadań. W tym wydaniu dodano sześć nowych rozdziałów poświęconych takim osiągnięciom technologii jak dyskretna optymalizacja, metody wieloagentowe, środowisko Microsoft TextWorld czy zaawansowane techniki eksploracji. Opisano również inne zagadnienia, między innymi głębokie sieci Q, gradienty polityk, sterowanie ciągłe i wysoce skalowalne metody bezgradientowe. Poszczególne kwestie zostały zilustrowane kodem wraz z opisem szczegółów implementacji. W książce między innymi:

* związki między uczeniem przez wzmacnianie a głębokim uczeniem

* różne metody uczenia przez wzmacnianie, w tym entropia krzyżowa, sieć DQN, a także algorytmy: aktor-krytyk, TRPO, PPO, DDPG, D4PG i inne

* praktyczne zastosowanie dyskretnej optymalizacji w celu rozwiązania problemu kostki Rubika

* trenowanie agentów przy użyciu oprogramowania AlphaGo Zero

* chatboty oparte na sztucznej inteligencji

* zaawansowane techniki eksploracyjne, w tym metody destylacji sieci

Witaj, świecie prawdziwej sztucznej inteligencji!

Tytuły rozdziałów: 1. Czym jest uczenie przez wzmacnianie 2. Zestaw narzędzi OpenAI Gym 3. Uczenie głębokie przy użyciu biblioteki PyTorch 4. Metoda entropii krzyżowej 5. Uczenie tabelaryczne i równanie Bellmana 6. Głębokie sieci Q 7. Biblioteki wyższego poziomu uczenia przez wzmacnianie 8. Rozszerzenia sieci DQN 9. Sposoby przyspieszania metod uczenia przez wzmacnianie 10. Inwestowanie na giełdzie za pomocą metod uczenia przez wzmacnianie 11. Alternatywa - gradienty polityki 12. Metoda aktor-krytyk 13. Asynchroniczna wersja metody aktor-krytyk 14. Trenowanie chatbotów z wykorzystaniem uczenia przez wzmacnianie 15. Środowisko TextWorld 16. Nawigacja w sieci 17. Ciągła przestrzeń akcji 18. Metody uczenia przez wzmacnianie w robotyce 19. Regiony zaufania - PPO, TRPO, ACKTR i SAC 20. Optymalizacja typu "czarna skrzynka" w przypadku uczenia przez wzmacnianie 21. Zaawansowana eksploracja 22. Alternatywa dla metody bezmodelowej - agent wspomagany wyobraźnią 23. AlphaGo Zero 24. Użycie metod uczenia przez wzmacnianie w optymalizacji dyskretnej 25. Metoda wieloagentowa