Foundations of Deep Reinforcement Learning: Theory and Practice in Python

 

Dostępność:

Produkt niedostępny

Produkt niedostępny – produkt nie jest obecnie osiągalny u żadnego z naszych dostawców. Zawsze możliwy jest dodruk, wznowienie lub reedycja tytułu, o ile wydawca podejmie taką decyzję. Dzięki bieżącej aktualizacji naszej oferty planowana data ponownej sprzedaży takiego tytułu znajdzie się przy jego opisie.

Zamówienia:0 - 69,99 PLN>69,99 PLNCzas dostawy:
Odbiór osobisty w księgarni 0 zł0 zł1 dzień roboczy
InPost Paczkomaty 24/7 (Płatność online)4.99 zł0 zł1-2 dni robocze
InPost Paczkomaty - Paczka w Weekend (Płatność online)16.99 zł0 zł1-2 dni robocze
Poczta Polska (Płatność online)12.99 zł0 zł3-5 dni roboczych
Poczta Polska (Płatność za pobraniem)13.99 zł0 zł3-5 dni roboczych
Kurier UPS (Płatność online)4.99 zł0 zł1 dzień roboczy
Kurier UPS (Płatność za pobraniem)4.99 zł0 zł1 dzień roboczy
Wysyłka zagranicznaSprawdź szczegóły >
233,90 zł

The Contemporary Introduction to Deep Reinforcement Learning that Combines Theory and Practice

Deep reinforcement learning (deep RL) combines deep learning and reinforcement learning, in which artificial agents learn to solve sequential decision-making problems. In the past decade deep RL has achieved remarkable results on a range of problems, from single and multiplayer games–such as Go, Atari games, and DotA 2–to robotics.

Foundations of Deep Reinforcement Learning is an introduction to deep RL that uniquely combines both theory and implementation. It starts with intuition, then carefully explains the theory of deep RL algorithms, discusses implementations in its companion software library SLM Lab, and finishes with the practical details of getting deep RL to work.

This guide is ideal for both computer science students and software engineers who are familiar with basic machine learning concepts and have a working understanding of Python.
Understand each key aspect of a deep RL problem
Explore policy- and value-based algorithms, including REINFORCE, SARSA, DQN, Double DQN, and Prioritized Experience Replay (PER)
Delve into combined algorithms, including Actor-Critic and Proximal Policy Optimization (PPO)
Understand how algorithms can be parallelized synchronously and asynchronously
Run algorithms in SLM Lab and learn the practical implementation details for getting deep RL to work
Explore algorithm benchmark results with tuned hyperparameters
Understand how deep RL environments are designed
Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.


Napisz własną recenzję
Napisz recenzję o produkcie: Foundations of Deep Reinforcement Learning: Theory and Practice in Python
Twoja ocena
Ocena ogólna