O autorze

O recenzentach

Wstęp

Rozdział 1. Czym jest uczenie przez wzmacnianie

• Uczenie nadzorowane
• Uczenie nienadzorowane
• Uczenie przez wzmacnianie
• Trudności związane z uczeniem przez wzmacnianie
• Formalne podstawy uczenia przez wzmacnianie
  • Nagroda
  • Agent
  • Środowisko
  • Akcje
  • Obserwacje
• Teoretyczne podstawy uczenia przez wzmacnianie
  • Procesy decyzyjne Markowa
  • Polityka
• Podsumowanie

Rozdział 2. Zestaw narzędzi OpenAI Gym

• Anatomia agenta
• Wymagania sprzętowe i programowe
• Interfejs API biblioteki OpenAI Gym
  • Przestrzeń akcji
  • Przestrzeń obserwacji
  • Środowisko
  • Tworzenie środowiska
  • Sesja CartPole
• Losowy agent dla środowiska CartPole
• Dodatkowa funkcjonalność biblioteki Gym - opakowania i monitory
  • Opakowania
  • Monitory
• Podsumowanie

Rozdział 3. Uczenie głębokie przy użyciu biblioteki PyTorch

• Tensory
  • Tworzenie tensorów
  • Tensory skalarne
  • Operacje na tensorach
  • Tensory GPU
• Gradienty
  • Tensory a gradienty
• Bloki konstrukcyjne sieci neuronowych
• Warstwy definiowane przez użytkownika
• Funkcje straty i optymalizatory
  • Funkcje straty
  • Optymalizatory
• Monitorowanie za pomocą narzędzia TensorBoard
  • Podstawy obsługi narzędzia TensorBoard
  • Narzędzia do tworzenia wykresów
• Przykład - użycie sieci GAN z obrazami Atari
• Biblioteka PyTorch Ignite
  • Zasady działania biblioteki Ignite
• Podsumowanie

Rozdział 4. Metoda entropii krzyżowej

• Taksonomia metod uczenia przez wzmacnianie
• Praktyczne wykorzystanie entropii krzyżowej
• Użycie entropii krzyżowej w środowisku CartPole
• Użycie metody entropii krzyżowej w środowisku FrozenLake
• Teoretyczne podstawy metody entropii krzyżowej
• Podsumowanie

Rozdział 5. Uczenie tabelaryczne i równanie Bellmana

• Wartość, stan i optymalność
• Równanie optymalności Bellmana
• Wartość akcji
• Metoda iteracji wartości
• Wykorzystanie iteracji wartości w praktyce
• Q-uczenie w środowisku FrozenLake
• Podsumowanie

Rozdział 6. Głębokie sieci Q

• Rozwiązywanie realnego problemu z wykorzystaniem metody iteracji wartości
• Q-uczenie tabelaryczne
• Głębokie Q-uczenie
  • Interakcja ze środowiskiem
  • Optymalizacja za pomocą stochastycznego spadku wzdłuż gradientu (SGD)
  • Korelacja pomiędzy krokami
  • Własność Markowa
  • Ostateczna wersja procedury trenowania dla głębokich sieci Q
• Użycie głębokiej sieci Q w grze Pong
  • Opakowania
  • Model głębokiej sieci Q
  • Trenowanie
  • Uruchomienie programu i sprawdzenie jego wydajności
  • Użycie modelu
• Rzeczy do przetestowania
• Podsumowanie

Rozdział 7. Biblioteki wyższego poziomu uczenia przez wzmacnianie

• Dlaczego potrzebujemy bibliotek uczenia przez wzmacnianie?
• Biblioteka PTAN
  • Selektory akcji
  • Agent
  • Źródło doświadczeń
  • Bufory doświadczeń
  • Klasa TargetNet
  • Klasy upraszczające współpracę z biblioteką Ignite
• Rozwiązanie problemu środowiska CartPole za pomocą biblioteki PTAN
• Inne biblioteki związane z uczeniem przez wzmacnianie
• Podsumowanie

Rozdział 8. Rozszerzenia sieci DQN

• Podstawowa, głęboka sieć Q
  • Wspólna biblioteka
  • Implementacja
  • Wyniki
• Głęboka sieć Q o n krokach
  • Implementacja
  • Wyniki
• Podwójna sieć DQN
  • Implementacja
  • Wyniki
• Sieci zakłócone
  • Implementacja
  • Wyniki
• Bufor priorytetowy
  • Implementacja
  • Wyniki
• Rywalizujące sieci DQN
  • Implementacja
  • Wyniki
• Kategoryczne sieci DQN
  • Implementacja
  • Wyniki
• Połączenie wszystkich metod
  • Wyniki
• Podsumowanie
• Bibliografia

Rozdział 9. Sposoby przyspieszania metod uczenia przez wzmacnianie

• Dlaczego prędkość ma znaczenie?
• Model podstawowy
• Wykres obliczeniowy w bibliotece PyTorch
• Różne środowiska
• Granie i trenowanie w oddzielnych procesach
• Dostrajanie opakowań
• Podsumowanie testów
• Rozwiązanie ekstremalne: CuLE
• Podsumowanie
• Bibliografia

Rozdział 10. Inwestowanie na giełdzie za pomocą metod uczenia przez wzmacnianie

• Handel
• Dane
• Określenie problemu i podjęcie kluczowych decyzji
• Środowisko symulujące giełdę
• Modele
• Kod treningowy
• Wyniki
  • Model ze sprzężeniem wyprzedzającym
  • Model konwolucyjny
• Rzeczy do przetestowania
• Podsumowanie

Rozdział 11. Alternatywa - gradienty polityki

• Wartości i polityka
  • Dlaczego polityka?
  • Reprezentacja polityki
  • Gradienty polityki
• Metoda REINFORCE
  • Przykład środowiska CartPole
  • Wyniki
  • Porównanie metod opartych na polityce z metodami opartymi na wartościach
• Ograniczenia metody REINFORCE
  • Wymagane jest ukończenie epizodu
  • Wariancja dużych gradientów
  • Eksploracja
  • Korelacja danych
• Zastosowanie metody gradientu polityki w środowisku CartPole
  • Implementacja
  • Wyniki
• Zastosowanie metody gradientu polityki w środowisku Pong
  • Implementacja
  • Wyniki
• Podsumowanie

Rozdział 12. Metoda aktor-krytyk

• Zmniejszenie poziomu wariancji
• Wariancja w środowisku CartPole
• Aktor-krytyk
• Użycie metody A2C w środowisku Pong
  • Wyniki użycia metody A2C w środowisku Pong
  • Dostrajanie hiperparametrów
• Podsumowanie

Rozdział 13. Asynchroniczna wersja metody aktor-krytyk

• Korelacja i wydajność próbkowania
• Zrównoleglenie metody A2C
• Przetwarzanie wieloprocesorowe w języku Python
• Algorytm A3C wykorzystujący zrównoleglenie na poziomie danych
  • Implementacja
  • Wyniki
• Algorytm A3C wykorzystujący zrównoleglenie na poziomie gradientów
  • Implementacja
  • Wyniki
• Podsumowanie

Rozdział 14. Trenowanie chatbotów z wykorzystaniem uczenia przez wzmacnianie

• Czym są chatboty?
• Trenowanie chatbotów
• Podstawy głębokiego przetwarzania języka naturalnego
  • Rekurencyjne sieci neuronowe
  • Osadzanie słów
  • Architektura koder-dekoder
• Trenowanie modelu koder-dekoder
  • Trenowanie z wykorzystaniem logarytmu prawdopodobieństwa
  • Algorytm "Bilingual Evaluation Understudy" (BLEU)
  • Zastosowanie uczenia przez wzmacnianie w modelu koder-dekoder
  • Krytyczna analiza trenowania sekwencji
• Projekt chatbota
  • Przykładowa struktura
  • Moduły cornell.py i data.py
  • Wskaźnik BLEU i moduł utils.py
  • Model
• Eksploracja zbioru danych
• Trenowanie - entropia krzyżowa
  • Implementacja
  • Wyniki
• Trenowanie - metoda SCST
  • Implementacja
  • Wyniki
• Przetestowanie modeli przy użyciu danych
• Bot dla komunikatora Telegram
• Podsumowanie

Rozdział 15. Środowisko TextWorld

• Fikcja interaktywna
• Środowisko
  • Instalacja
  • Generowanie gry
  • Przestrzenie obserwacji i akcji
  • Dodatkowe informacje o grze
• Podstawowa sieć DQN
  • Wstępne przetwarzanie obserwacji
  • Osadzenia i kodery
  • Model DQN i agent
  • Kod treningowy
  • Wyniki trenowania
• Model generujący polecenia
  • Implementacja
  • Wyniki uzyskane po wstępnym trenowaniu
  • Kod treningowy sieci DQN
  • Wyniki uzyskane po trenowaniu sieci DQN
• Podsumowanie

Rozdział 16. Nawigacja w sieci

• Nawigacja w sieci
• Automatyzacja działań w przeglądarce i uczenie przez wzmacnianie
• Test porównawczy MiniWoB
• OpenAI Universe
  • Instalacja
  • Akcje i obserwacje
  • Tworzenie środowiska
  • Stabilność systemu MiniWoB
• Proste klikanie
  • Akcje związane z siatką
  • Przegląd rozwiązania
  • Model
  • Kod treningowy
  • Uruchamianie kontenerów
  • Proces trenowania
  • Testowanie wyuczonej polityki
  • Problemy występujące podczas prostego klikania
• Obserwacje ludzkich działań
  • Zapisywanie działań
  • Format zapisywanych danych
  • Trenowanie z wykorzystaniem obserwacji działań
  • Wyniki
  • Gra w kółko i krzyżyk
• Dodawanie opisów tekstowych
  • Implementacja
  • Wyniki
• Rzeczy do przetestowania
• Podsumowanie

Rozdział 17. Ciągła przestrzeń akcji

• Dlaczego jest potrzebna ciągła przestrzeń akcji?
  • Przestrzeń akcji
  • Środowiska
• Metoda A2C
  • Implementacja
  • Wyniki
  • Użycie modeli i zapisywanie plików wideo
• Deterministyczne gradienty polityki
  • Eksploracja
  • Implementacja
  • Wyniki
  • Nagrywanie plików wideo
• Dystrybucyjne gradienty polityki
  • Architektura
  • Implementacja
  • Wyniki
  • Nagrania wideo
• Rzeczy do przetestowania
• Podsumowanie

Rozdział 18. Metody uczenia przez wzmacnianie w robotyce

• Roboty i robotyka
  • Złożoność robota
  • Przegląd sprzętu
  • Platforma
  • Sensory
  • Siłowniki
  • Szkielet
• Pierwszy cel trenowania
• Emulator i model
  • Plik z definicją modelu
  • Klasa robota
• Trenowanie zgodnie z algorytmem DDPG i uzyskane wyniki
• Sterowanie sprzętem
  • MicroPython
  • Obsługa czujników
  • Sterowanie serwomechanizmami
  • Przenoszenie modelu do sprzętu
  • Połączenie wszystkiego w całość
• Eksperymentowanie z polityką
• Podsumowanie

Rozdział 19. Regiony zaufania - PPO, TRPO, ACKTR i SAC

• Biblioteka Roboschool
• Model bazowy A2C
  • Implementacja
  • Wyniki
  • Nagrywanie plików wideo
• Algorytm PPO
  • Implementacja
  • Wyniki
• Algorytm TRPO
  • Implementacja
  • Wyniki
• Algorytm ACKTR
  • Implementacja
  • Wyniki
• Algorytm SAC
  • Implementacja
  • Wyniki
• Podsumowanie

Rozdział 20. Optymalizacja typu "czarna skrzynka" w przypadku uczenia przez wzmacnianie

• Metody typu "czarna skrzynka"
• Strategie ewolucyjne
  • Testowanie strategii ewolucyjnej w środowisku CartPole
  • Testowanie strategii ewolucyjnej w środowisku HalfCheetah
• Algorytmy genetyczne
  • Testowanie algorytmu genetycznego w środowisku CartPole
  • Dostrajanie algorytmu genetycznego
  • Testowanie algorytmu genetycznego w środowisku HalfCheetah
• Podsumowanie
• Bibliografia

Rozdział 21. Zaawansowana eksploracja

• Dlaczego eksploracja jest ważna?
• Co złego jest w metodzie epsilonu zachłannego?
• Alternatywne sposoby eksploracji
  • Sieci zakłócone
  • Metody oparte na liczebności
  • Metody oparte na prognozowaniu
• Eksperymentowanie w środowisku MountainCar
  • Metoda DQN z wykorzystaniem strategii epsilonu zachłannego
  • Metoda DQN z wykorzystaniem sieci zakłóconych
  • Metoda DQN z licznikami stanów
  • Optymalizacja bliskiej polityki
  • Metoda PPO z wykorzystaniem sieci zakłóconych
  • Metoda PPO wykorzystująca eksplorację opartą na liczebności
  • Metoda PPO wykorzystująca destylację sieci
• Eksperymentowanie ze środowiskami Atari
  • Metoda DQN z wykorzystaniem strategii epsilonu zachłannego
  • Klasyczna metoda PPO
  • Metoda PPO z wykorzystaniem destylacji sieci
  • Metoda PPO z wykorzystaniem sieci zakłóconych
• Podsumowanie
• Bibliografia

Rozdział 22. Alternatywa dla metody bezmodelowej - agent wspomagany wyobraźnią

• Metody oparte na modelu
  • Porównanie metody opartej na modelu z metodą bezmodelową
  • Niedoskonałości modelu
• Agent wspomagany wyobraźnią
  • Model środowiskowy
  • Polityka wdrożenia
  • Koder wdrożeń
  • Wyniki zaprezentowane w artykule
• Użycie modelu I2A w grze Breakout
  • Podstawowy agent A2C
  • Trenowanie modelu środowiskowego
  • Agent wspomagany wyobraźnią
• Wyniki eksperymentów
  • Agent podstawowy
  • Trenowanie wag modelu środowiskowego
  • Trenowanie przy użyciu modelu I2A
• Podsumowanie
• Bibliografia

Rozdział 23. AlphaGo Zero

• Gry planszowe
• Metoda AlphaGo Zero
  • Wprowadzenie
  • Przeszukiwanie drzewa metodą Monte Carlo (MCTS)
  • Granie modelu z samym sobą
  • Trenowanie i ocenianie
• Bot dla gry Czwórki
  • Model gry
  • Implementacja algorytmu przeszukiwania drzewa metodą Monte Carlo (MCTS)
  • Model
  • Trenowanie
  • Testowanie i porównywanie
• Wyniki uzyskane w grze Czwórki
• Podsumowanie
• Bibliografia

Rozdział 24. Użycie metod uczenia przez wzmacnianie w optymalizacji dyskretnej

• Rola uczenia przez wzmacnianie
• Kostka Rubika i optymalizacja kombinatoryczna
• Optymalność i liczba boska
• Sposoby układania kostki
  • Reprezentacja danych
  • Akcje
  • Stany
• Proces trenowania
  • Architektura sieci neuronowej
  • Trenowanie
• Aplikacja modelowa
• Wyniki
• Analiza kodu
  • Środowiska kostki
  • Trenowanie
  • Proces wyszukiwania
• Wyniki eksperymentu
  • Kostka 2×2
  • Kostka 3×3
• Dalsze usprawnienia i eksperymenty
• Podsumowanie

Rozdział 25. Metoda wieloagentowa

• Na czym polega działanie metody wieloagentowej?
  • Formy komunikacji
  • Użycie uczenia przez wzmacnianie
• Środowisko MAgent
  • Instalacja
  • Przegląd rozwiązania
  • Środowisko losowe
• Głęboka sieć Q obsługująca tygrysy
  • Trenowanie i wyniki
• Współpraca między tygrysami
• Trenowanie tygrysów i jeleni
• Walka pomiędzy równorzędnymi aktorami
• Podsumowanie

• Назва: Głębokie uczenie przez wzmacnianie. Praca z chatbotami oraz robotyka, optymalizacja dyskretna i automatyzacja sieciowa w praktyce. Wydanie II
• Автор: Maxim Lapan
• Оригінальна назва: Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, 2nd Edition
• Переклад: Jacek Janusz
• ISBN: 978-83-283-8053-0, 9788328380530
• Дата видання: 2022-07-12
• Формат: Eлектронна книга
• Ідентифікатор видання: glucz2
• Видавець: Helion