Эта книга — подробное руководство по новейшим инструментам глубокого обучения с подкреплением и их ограничениям. Мы реализуем и проверим на практике методы кросс-энтропии и итерации по ценностям (Q-learning), а также градиенты по стратегиям. Для экспериментов используются самые разные среды обучения с подкреплением (RL), начиная с классических CartPole и GridWorld и заканчивая эмуляторами Atari и средами непрерывного управления (на основе PyBullet и RoboSchool). Множество примеров основано на нестандартных средах, в которых мы с нуля разработаем модель окружения. В этой книге — Вы узнаете, какое место в контексте глубокого обучения занимают методы RL, реализуете сложные модели глубокого обучения. — Изучите основу RL: марковские процессы принятия решений. — Рассмотрите примеры реализации методов RL: метод кросс-энтропии, DQN, A3C, TRPO, PPO, DDPG, D4PG и других. — Узнаете, как работать с дискретными и непрерывными пространствами действий в различных средах. — Увидите, как разработать систему, обучающуюся играм Atari, используя обучение с подкреплением. — Создадите собственную среду по модели OpenAI Gym для обучения биржевого агента. — Реализуете метод AlphaGo Zero для игры в Connect4. — Познакомитесь с применением RL в обработке речи: узнаете, как обучить диалогового бота на фразах из кинофильмов.
Движущими силами процесса обучения являются значение вознаграждения и наблюдения, почерпнутые из среды
