когда думаешь, что вроде разобрался с темой машинного обучения, а тут еще полно всего,,, просто бесконечность. Но книги определенно помогают хоть немного держаться в теме на плаву. показывают, применяемые сейчас алгоритмы
Volume 150 pages
2024 year
Усиленное обучение
About the book
Данное руководство по усиленному обучению (Reinforcement Learning, RL), охватывает теоретические основы, практические применения и современные достижения. В начале дается определение RL, его исторический контекст и ключевые отличия от других видов машинного обучения. Примеры применения RL охватывают игры, робототехнику, финансовые рынки и управление ресурсами. Математические основы включают марковские процессы принятия решений, состояния, действия, награды и политики, а также Беллмановские уравнения и итерацию ценности. Основные алгоритмы RL, такие как метод Монте-Карло, Q-Learning, SARSA, методы градиента политики, REINFORCE и Actor-Critic, рассматриваются вместе с моделями на основе планирования и глубокого усиленного обучения (DQN, DDPG, A3C). Практическая часть книги включает использование OpenAI Gym и других сред, настройку и тестирование моделей, а также примеры кода на Python с использованием библиотек TensorFlow и PyTorch.
Из книги узнал много нового, ошибочно думал, что не должно сильно отличаться от других видов обучения, но на практике оказалось совсем иначе. Так что книга оказалась полезной и главное понятной!
Подробное описание, можно использовать. Во всяком случае мне было понятно, если что-то не знал то гуглил и читал. Главное знать что гуглить, а книга об этом говорит. Спасибо автору за труд!
Книга определенно полезная! Для тех кто работает в теме нейросетей очень пригодится. Показывает разные инструменты, как они работают, приводятся примеры с пояснениями. Советую.
По данной теме книг пока еще мало, искал и наткнулся на эту. В целом книга хороша, очень подробная. Выделил для себя основные инструменты, понял возможности и где именно это все применяется.
Leave a review
наличие обучающей выборки
Reviews
6