Truy cập ngày 15 tháng 1 năm 2012.  ^ Practical Reinforcement Learning in Python: Build Intelligent AI Agents

Làm thế nào các nhân viên AI hiện đại học cách chơi trò chơi, định hướng môi trường và đưa ra các quyết định phức tạp? Chương trình học dựa trên văn bản này hướng dẫn bạn từ những nguyên tắc cơ bản của thuật toán ra quyết định tới việc xây dựng các nhân tố thông minh của riêng bạn. Bạn sẽ học cách định nghĩa trạng thái, phần thưởng, và hành động, và cách kết hợp mạng nơron với các kỹ thuật học củng cố để giải quyết các nhiệm vụ phức tạp trong môi trường tùy chỉnh. Bạn sẽ học được: - Hiểu được nền tảng toán học cốt lõi của học bổ sung, bao gồm Quá trình quyết định Markov và cấu trúc thưởng. - Thực hiện các phương pháp bảng cổ điển như Q-Learning và SARSA từ đầu bằng Python. - Tạo mạng nơron sâu sử dụng TensorFlow và Keras hiện đại để xấp xỉ các hàm giá trị phức tạp. - Tạo Deep Q-Networks (DQN) và Double DQNs để giải quyết các vấn đề ra quyết định cao. - Thiết kế môi trường huấn luyện tùy chỉnh sử dụng thư viện Gymnasium hiện đại để kiểm tra các đặc vụ thông minh của bạn. - Ứng dụng các thực tiễn tốt nhất trong điều chỉnh siêu tham số và đánh giá mô hình để đảm bảo các cuộc chạy huấn luyện ổn định. Bạn sẽ bắt đầu bằng cách khám phá các khái niệm và định nghĩa cốt lõi trước khi chuyển bước qua bước thông qua việc thực hiện thủ công của các thuật toán cổ điển, cuối cùng là nâng cấp lên các tích hợp học sâu và thiết kế môi trường tùy chỉnh. Lớp học này được thiết kế cho người mới bắt đầu quan tâm đến trí tuệ nhân tạo và lập trình Python; không cần kinh nghiệm trước đó với học máy hoặc mạng nơron. Bắt đầu đọc ngay hôm nay để xây dựng nhân viên AI tự động đầu tiên của bạn từ đầu.