Daftar pustaka ^ a b c d e f g h "About the Author".

Mengisi kesenjangan antara kertas pembelajaran penguatan akademik dan kode praktis bisa terasa membingungkan. Kursus berbasis teks ini memandu Anda melalui penerjemahan teori algoritma kompleks menjadi implementasi Python yang bersih dan bekerja. Anda akan mengembangkan keterampilan untuk membaca kertas pembelajaran penguatan mendalam dasar dan membangun Deep Q-Networks (DQN), Double DQNs, dan Dueling DQn. Dengan belajar bagaimana memproses lingkungan bingkai dan mengkonfigurasi parameter hiper agen, Anda akan melatih agen yang mampu menyelesaikan lingkungan kontrol klasik dan arkade. Apa yang akan kau pelajari: - Mengerti dasar-dasar pembelajaran penguatan, termasuk Proses Keputusan Markov, persamaan Bellman, dan strategi eksplorasi-eksploitasi. - Implementasi Deep Q-Networks (DQN), Double DQNs, dan Dueling DQn dari awal menggunakan PyTorch. - Translate pseudocode algoritma dari seminal deep reinforcement learning penelitian kertas ke kode Python bersih. - Proses masukan lingkungan di Gymnasium dengan menumpuk frame, menyesuaikan gambar, dan memotong hadiah untuk mengoptimalkan kinerja pelatihan. - Terapkan dasar-dasar pembelajaran dalam PyTorch untuk membangun arsitektur jaringan saraf yang mendekati fungsi nilai-aksi. Kursus ini dimulai dengan definisi pembelajaran penguatan inti dan Q-learning klasik sebelum maju ke integrasi pembelajaran mendalam. Anda akan berkembang dari konsep teoretis ke walkthrough kode terstruktur yang menunjukkan bagaimana menstabilkan dan melatih agen mendalam. Kursus ini dirancang untuk pengembang AI bercita-cita, programmer, dan siswa yang ingin pengenalan yang jelas, langkah demi langkah untuk pembelajaran penguatan dalam tanpa memerlukan pengalaman sebelumnya di bidang ini. Mulailah membaca hari ini untuk menjembatani kesenjangan antara penelitian AI dan eksekusi praktis.