![[Recenzja] Deep Reinforcement Learning Hands-On (Maxim Lapan) Streszczenie.](https://episodes.castos.com/660078c6833215-59505987/images/2570904/c1a-085k3-47971mm1a51o-ttriyh.jpg)
Show Notes
Deep Reinforcement Learning Hands-On (Maxim Lapan)
- Amazon Poland Store: https://www.amazon.pl/dp/1835882706?tag=9natreepoland-21
- Amazon Worldwide Store: https://global.buys.trade/Deep-Reinforcement-Learning-Hands-On-Maxim-Lapan.html
- Apple Books: https://books.apple.com/us/audiobook/deep-learning-for-finance-creating-machine-deep-learning/id1737913730?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Deep+Reinforcement+Learning+Hands+On+Maxim+Lapan+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Czytaj więcej: https://polish.9natree.com/read/1835882706/
#Qlearningifunkcjawartości #głębokiesieciQDQN #ProximalPolicyOptimizationPPO #uczeniezewzmocnieniemnapodstawieinformacjizwrotnejodludziRLHF #MuZeroiplanowanieopartenamodelu #DeepReinforcementLearningHandsOn
Deep Reinforcement Learning Hands-On Maxima Lapana to podręcznik techniczny poświęcony praktycznemu uczeniu ze wzmocnieniem, w trzecim wydaniu wyraźnie rozszerzony o nowsze kierunki rozwoju tej dziedziny. Autor prowadzi czytelnika od podstawowego modelu agent, środowisko, stan, akcja i nagroda, do metod głębokiego uczenia stosowanych w zadaniach o dużej złożoności. Nie jest to przede wszystkim książka o formalnej teorii optymalnego sterowania, lecz przewodnik łączący konieczne intuicje matematyczne z implementacją w Pythonie, PyTorch i środowiskach typu OpenAI Gym. Zakres obejmuje między innymi Q-learning, głębokie sieci Q, metody gradientu polityki, sterowanie ciągłe oraz algorytmy PPO. Nowe wydanie uwzględnia również RLHF, MuZero i transformatory. Przykłady odnoszą się do gier, prostych środowisk siatkowych, optymalizacji dyskretnej, handlu oraz automatyzacji przeglądarki. Celem publikacji jest pokazanie nie tylko jak uruchomić algorytm, ale też dlaczego jego trening bywa niestabilny, kosztowny obliczeniowo i wrażliwy na sposób zbierania danych.
- Amazon Poland Store: https://www.amazon.pl/dp/1835882706?tag=9natreepoland-21
- Amazon Worldwide Store: https://global.buys.trade/Deep-Reinforcement-Learning-Hands-On-Maxim-Lapan.html
- Apple Books: https://books.apple.com/us/audiobook/deep-learning-for-finance-creating-machine-deep-learning/id1737913730?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Deep+Reinforcement+Learning+Hands+On+Maxim+Lapan+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Czytaj więcej: https://polish.9natree.com/read/1835882706/
#Qlearningifunkcjawartości #głębokiesieciQDQN #ProximalPolicyOptimizationPPO #uczeniezewzmocnieniemnapodstawieinformacjizwrotnejodludziRLHF #MuZeroiplanowanieopartenamodelu #DeepReinforcementLearningHandsOn
Deep Reinforcement Learning Hands-On Maxima Lapana to podręcznik techniczny poświęcony praktycznemu uczeniu ze wzmocnieniem, w trzecim wydaniu wyraźnie rozszerzony o nowsze kierunki rozwoju tej dziedziny. Autor prowadzi czytelnika od podstawowego modelu agent, środowisko, stan, akcja i nagroda, do metod głębokiego uczenia stosowanych w zadaniach o dużej złożoności. Nie jest to przede wszystkim książka o formalnej teorii optymalnego sterowania, lecz przewodnik łączący konieczne intuicje matematyczne z implementacją w Pythonie, PyTorch i środowiskach typu OpenAI Gym. Zakres obejmuje między innymi Q-learning, głębokie sieci Q, metody gradientu polityki, sterowanie ciągłe oraz algorytmy PPO. Nowe wydanie uwzględnia również RLHF, MuZero i transformatory. Przykłady odnoszą się do gier, prostych środowisk siatkowych, optymalizacji dyskretnej, handlu oraz automatyzacji przeglądarki. Celem publikacji jest pokazanie nie tylko jak uruchomić algorytm, ale też dlaczego jego trening bywa niestabilny, kosztowny obliczeniowo i wrażliwy na sposób zbierania danych.
