Hands-On Deep Reinforcement Learning with Python

Học bổ sung sâu là lực đẩy đằng sau các hệ thống tự động hiện đại, AI chơi game và các tác nhân ra quyết định thích nghi. Nếu bạn muốn hiểu cách máy học từ thử nghiệm và sai lầm, thì việc làm chủ lĩnh vực này là bước tiếp theo quan trọng của bạn. Chương trình chỉ có văn bản này hướng dẫn bạn từ các khái niệm học tập củng cố cơ bản đến việc thực hiện các mô hình học sâu giải quyết môi trường phức tạp. Bạn sẽ phát triển một sự hiểu biết trực quan mạnh mẽ về cách tương tác môi trường tác nhân hoạt động và cách chuyển đổi các khái niệm này thành mã Python sạch, có thể thực hiện. Bạn sẽ học được: - Hiểu được thuật ngữ học tập củng cố cốt lõi, bao gồm Quá trình quyết định Markov, phần thưởng và cấu trúc chính sách - Thực hiện Q-learning cổ điển và Deep Q-Networks (DQN) để giải quyết môi trường điều khiển cổ đại - Ứng dụng các phương pháp gradient chính sách và thuật toán hiện đại như Proximal Policy Optimization (PPO) bằng cách sử dụng mã Python sạch - Cấu hình môi trường huấn luyện bằng thư viện tiêu chuẩn như Gymnasium để mô phỏng học tập của nhân viên - Phân tích hiệu suất của nhân viên và điều chỉnh siêu tham số để cải thiện hiệu quả học tập - Thực hành thiết kế chức năng thưởng tùy chỉnh để hướng dẫn mạng lưới thần kinh hướng đến hành vi tối ưu Bạn sẽ bắt đầu với toán học cơ bản và thuật ngữ của học củng cố trước khi tiến tới tích hợp mạng nơron sâu. Mỗi mô-đun cung cấp các giải thích khái niệm rõ ràng, theo sau là các mã thực hành và bài tập viết tự động. Lớp học này được thiết kế cho người mới bắt đầu học tăng cường; một sự quen thuộc cơ bản với Python và mạng nơron là hữu ích, nhưng không cần kinh nghiệm RL trước đó. Bắt đầu đọc hôm nay và xây dựng nhân viên quyết định thông minh đầu tiên của bạn từng bước một.