Hluboké posilovací učení: AlphaGo a další technologie

Tato kniha je komplexním průvodcem nejnovějšími nástroji pro hluboké učení s posilováním a jejich omezeními. Implementujeme a testujeme metody křížové entropie a Q-učení, stejně jako gradienty politik. Pro experimenty se používá řada prostředí pro učení s posilováním (RL), od klasických CartPole a GridWorld až po emulátory Atari a prostředí spojitého řízení (založená na PyBullet a RoboSchool). Mnoho příkladů je založeno na nestandardních prostředích, kde budeme vyvíjet model prostředí od nuly. V této knize: • Dozvíte se, jak metody RL zapadají do kontextu hlubokého učení a implementujete komplexní modely hlubokého učení. • Naučíte se základy RL: Markovovy rozhodovací procesy. • Zvažte příklady implementací metod RL: metoda křížové entropie, DQN, A3C, TRPO, PPO, DDPG, D4PG a další. • Naučte se pracovat s diskrétními a spojitými akčními prostory v různých prostředích. • Podívejte se, jak vyvinout systém, který se učí hry Atari pomocí učení s posilováním. • Vytvořte si vlastní prostředí založené na modelu OpenAI Gym pro trénování burzovního makléře. • Implementujte metodu AlphaGo Zero pro přehrávání hry Connect4. • Seznamte se s aplikací RL ve zpracování řeči: naučíte se, jak trénovat dialogového bota na frázích z filmů.