-
1. Поведенческое клонирование
- 1.1 Постановка задачи
- 1.2 Идея
- 1.3 Формализация
- 1.4 Реализация
- 1.5 Когда BC работает?
- 1.6 Почему BC не работает: проблема накопления ошибок
- 1.7 Практические ограничения для промышленных процессов
- 1.8 Мост от BC к RL: DAgger
- 1.9 Итоги
- 1.10 Что дальше
-
2. Задача Offline RL
- 2.1 От BC к RL: что меняется
- 2.2 Q-обучение: краткое напоминание
- 2.3 Проблема ошибки экстраполяции
- 2.4 Формальная оценка: разрыв в производительности
- 2.5 Сдвиг распределения: версия для Offline RL
- 2.6 Демонстрация на практике
- 2.7 Ключевое противоречие
- 2.8 Почему бы просто не использовать BC?
- 2.9 Итоги
-
3. Оценка политики по офлайн-данным (OPE)
- 3.1 Постановка задачи
- 3.2 Почему нельзя просто взять обученную Q-функцию?
- 3.3 Три семейства оценок
- 3.4 Практические рекомендации
- 3.5 Ограничения
- 3.6 Итоги
-
4. Консервативное Q-обучение (CQL)
- 4.1 Ещё раз о проблеме
- 4.2 Идея
- 4.3 Формализация
- 4.4 Реализация
- 4.5 Интуиция: ландшафт Q-функции
- 4.6 Как выбрать α
- 4.7 CQL vs TD3+BC
- 4.8 Практические советы
- 4.9 Ограничения
- 4.10 Итоги
-
5. Неявное Q-обучение (IQL)
- 5.1 Что CQL сделал правильно — и в чём его слабость
- 5.2 Ключевая идея
- 5.3 Формализация
- 5.4 Реализация
- 5.5 Что делает tau
- 5.6 IQL vs CQL: ключевые различия
- 5.7 Выбор гиперпараметров
- 5.8 Запуск сравнения
- 5.9 Практические советы
- 5.10 Ограничения
- 5.11 Итоги
-
6. Ограничение политики и Actor-Critic (TD3+BC, AWAC)
- 6.1 Где заканчивается пессимизм по значениям
- 6.2 TD3+BC: минималистичная регуляризация политики
- 6.3 AWAC: Advantage-Weighted Actor-Critic
- 6.4 Реализация
- 6.5 Гиперпараметры и практические советы
- 6.6 Ограничения
- 6.7 Итоги
-
7. Decision Transformers
- 7.1 Другая парадигма
- 7.2 Идея
- 7.3 Формализация
- 7.4 Набросок реализации
- 7.5 Ограничения
- 7.6 Итоги
-
8. Модельный Offline RL (MOPO, MOReL)
- 8.1 За пределами безмодельных методов
- 8.2 Часть I: MOPO
- 8.3 Часть II: MOReL
- 8.4 MOPO, MOReL и безмодельные методы
- 8.5 Выбор гиперпараметров
- 8.6 Практические советы
- 8.7 Ограничения
- 8.8 Итоги
-
9. Physics-Informed Offline RL
- 9.1 Зачем нужна физика?
- 9.2 Часть I: Физика как формирование награды
- 9.3 Часть II: Гибридные динамические модели
- 9.4 Часть III: Оптимизация политики с ограничениями
- 9.5 Часть IV: Когда физика помогает больше всего
- 9.6 Объединение трёх подходов
- 9.7 Итог
- 9.9 Приложение 9.A — Доказательство Теоремы 9.1
- 9.10 Приложение 9.B — Обоснование Предложения 9.2 (неформально)
- 9.11 Приложение 9.C — Доказательство Теоремы 9.3 (Сильная двойственность)
-
10. Промышленные применения
- 10.1 От эталонов к промышленности
- 10.2 Процесс нанесения покрытия
- 10.3 Датасет: операционные режимы
- 10.4 Оценка: промышленные метрики
- 10.5 Физическая модель
- 10.6 Алгоритм 1: Поведенческое клонирование
- 10.7 Алгоритм 2: CQL
- 10.8 Алгоритм 3: CQL + штраф за ограничения
- 10.9 Алгоритм 4: HybridMOReL
- 10.10 Результаты
- 10.11 Инженерные решения
- 10.12 Безопасный RL, детекция дрейфа и резервная политика
- 10.13 Итог
-
11. Объяснимость в Offline RL
- 11.1 Почему объяснимость важна в промышленном Offline RL
- 11.2 Основы SHAP
- 11.3 Три уровня объяснения
- 11.4 Класс Explainer
- 11.5 Визуализация
- 11.6 Проверка согласованности
- 11.7 SHAP в производстве: практические соображения
- 11.8 Что SHAP не может сказать
- 11.9 За пределами SHAP: Causal AI в Offline RL
- 11.10 Итог
- 11.11 Приложение 11.А: Выбор между вариантами SHAP
-
12. Offline RL для tool-using LLM-агентов
- 12.1 Зачем эта глава
- 12.2 Agent traces как данные для offline RL
- 12.3 Формулировка MDP / POMDP
- 12.4 Интерфейс политики определяет метод обучения
- 12.5 BC / SFT как baseline
- 12.6 Offline RL за пределами SFT
- 12.7 Credit assignment в рассуждениях и работе с инструментами
- 12.8 OPE для агентов
- 12.9 LLM в роли генератора, разметчика и критика
- 12.10 Типичные сбои (failure modes)
- 12.11 Игрушечный пример: агент-калькулятор
- 12.12 От agentic offline RL к offline MARL
- 12.13 Практическая схема логирования
- 12.14 Ограничения и честные рамки
-
13. Заключение и перспективы
- 13.1 Что мы построили
- 13.2 Когда не стоит использовать Offline RL
- 13.3 О коде в этой книге
- 13.4 Что Offline RL пока не может гарантировать
- 13.5 Новые направления
- 13.6 Промышленное внедрение: этапы допуска (gates)
- 13.7 Заключительные замечания
-
A Выбор алгоритма
- A.1 Краткая таблица выбора
- A.2 Опорные точки по ключевым методам
- A.3 Код в этом репозитории
- A.4 Глоссарий
- A.5 Рекомендуемый порядок чтения для практиков
Offline RL
От теории к промышленной практике
Free With Membership
This book is a translation into Russian of Offline RL which was originally written in English
With Membership
Free!
$20.00
You pay
Author earns
PDF
EPUB
About
About the Book
Offline RL – это обучение политики управления только по уже записанным данным, без экспериментов на реальной установке. Такой подход нужен там, где пробовать наугад дорого или опасно, например на производстве.
Книга объясняет, почему эта задача трудна и как её решают. Сначала мы учимся просто повторять действия оператора и разбираем главную ловушку: обученная функция ценности переоценивает действия, которых в данных не было. Затем идут оценка политики по логам и основные семейства методов: консервативные оценки, ограничение политики, Decision Transformers и обучение с моделью среды. Последние главы посвящены промышленной практике: учёту физики процесса, большому примеру с проверкой на многих запусках, объяснимости решений и LLM-агентам.
В каждой главе есть идея, математика, работающий код и разбор того, где метод перестаёт работать. Код учебный: он показывает, как устроены алгоритмы, и не претендует на роль готовой библиотеки.
Feedback
This book is a translation into Russian of Offline RL which was originally written in English
Author
About the Author
Artem Zvyagintsev
Artem Zvyagintsev is a data scientist and independent researcher working on offline and multi-agent reinforcement learning.
Over twenty years, he has worked as a senior software engineer and data engineer, and most recently led data science in manufacturing.
His current research includes model-based offline RL, post-training of open-weight language models, and the behavior of LLM agents in multi-agent settings. He also writes about differentiable programming and category theory.
Translations
Translations
Languages
Contents
Table of Contents
The Leanpub 60 Day 100% Happiness Guarantee
Within 60 days of purchase you can get a 100% refund on any Leanpub purchase, in two clicks.
See full terms...
Earn $8 on a $10 Purchase, and $16 on a $20 Purchase
We pay 80% royalties on purchases of $7.99 or more, and 80% royalties minus a 50 cent flat fee on purchases between $0.99 and $7.98. You earn $8 on a $10 sale, and $16 on a $20 sale. So, if we sell 5000 non-refunded copies of your book for $20, you'll earn $80,000.
(Yes, some authors have already earned much more than that on Leanpub.)
Learn more about writing on Leanpub
Free Updates. DRM Free.
If you buy a Leanpub book, you get free updates for as long as the author updates the book! Many authors use Leanpub to publish their books in-progress, while they are writing them. All readers get free updates, regardless of when they bought the book or how much they paid (including free).
Most Leanpub books are available in PDF (for computers) and EPUB (for phones, tablets and Kindle). The formats that a book includes are shown at the top right corner of this page.
Finally, Leanpub books don't have any DRM copy-protection nonsense, so you can easily read them on any supported device.
Learn more about Leanpub's ebook formats and where to read them
Write and Publish on Leanpub
You can use Leanpub to easily write, publish and sell in-progress and completed ebooks and online courses!
Leanpub is a powerful platform for serious authors, combining a simple, elegant writing and publishing workflow with a store focused on selling in-progress ebooks.
Leanpub is a magical typewriter for authors: just write in plain text, and to publish your ebook, just click a button. (Or, if you are producing your ebook your own way, you can even upload your own PDF and/or EPUB files and then publish with one click!) It really is that easy.