دانلود کتاب Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, 2nd Edition. Code (به فارسی: آموزش تقویتی عمیق: روش‌های مدرن RL را برای مشکلات عملی ربات‌های گفتگو، روباتیک، بهینه‌سازی گسسته، اتوماسیون وب و موارد دیگر، ویرایش دوم، اعمال کنید. کد) نوشته شده توسط «Maxim Lapan»
اطلاعات کتاب آموزش تقویتی عمیق: روش‌های مدرن RL را برای مشکلات عملی ربات‌های گفتگو، روباتیک، بهینه‌سازی گسسته، اتوماسیون وب و موارد دیگر، ویرایش دوم، اعمال کنید. کد
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Maxim Lapan
زبان: english
فرمت کتاب: ZIP (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 826
حجم فایل: 11.10 مگابایت
کد کتاب: 1838826998 , 9781838826994
توضیحات کتاب آموزش تقویتی عمیق: روش‌های مدرن RL را برای مشکلات عملی ربات‌های گفتگو، روباتیک، بهینه‌سازی گسسته، اتوماسیون وب و موارد دیگر، ویرایش دوم، اعمال کنید. کد
کد .
نسخه جدید راهنمای پرفروش یادگیری تقویتی عمیق و نحوه استفاده از آن برای حل مسائل پیچیده دنیای واقعی. بازبینی و گسترش یافت تا شامل روش‌های چند عاملی، بهینه‌سازی گسسته، RL در رباتیک، تکنیک‌های کاوش پیشرفته و موارد دیگر باشد
ویژگی‌های کلیدی
- ویرایش دوم پرفروش‌ترین مقدمه یادگیری تقویتی عمیق، با شش فصل جدید گسترش یافته است
- تکنیک های اکتشافی پیشرفته از جمله شبکه های پر سر و صدا، شبه شمارش و روش های تقطیر شبکه را بیاموزید
- روش های RL را برای پلتفرم های رباتیک سخت افزاری ارزان بکار ببرید
شرح کتاب
Deep Reinforcement Learning Hands-On, Second Edition نسخه به روز شده و توسعه یافته راهنمای پرفروش ترین ابزارها و تکنیک های یادگیری تقویتی (RL) است. مقدمه ای بر اصول RL، همراه با توانایی عملی برای کدنویسی عوامل یادگیری هوشمند برای انجام طیف وسیعی از وظایف عملی در اختیار شما قرار می دهد.
با شش فصل جدید که به انواع پیشرفت‌های به‌روز در RL، از جمله بهینه‌سازی گسسته (حل مکعب روبیک)، روش‌های چند عاملی، محیط TextWorld مایکروسافت، تکنیک‌های کاوش پیشرفته، اختصاص یافته است. و بیشتر، با درک عمیقی از آخرین نوآوری ها در این زمینه نوظهور، از این کتاب دور خواهید شد.
علاوه بر این، در زمینه‌های موضوعی مانند شبکه‌های Q عمیق، روش‌های گرادیان خط‌مشی، مشکلات کنترل مستمر، و روش‌های غیر گرادیان بسیار مقیاس‌پذیر، بینش‌های عملی به دست خواهید آورد. همچنین خواهید فهمید که چگونه یک ربات سخت افزاری واقعی آموزش دیده با RL با کمتر از 100 دلار بسازید و محیط Pong را تنها در 30 دقیقه آموزش با استفاده از بهینه سازی کد گام به گام حل کنید.
به طور خلاصه، Deep Reinforcement Learning Hands-On، نسخه دوم، همراه شما برای پیمایش پیچیدگی های هیجان انگیز RL است، زیرا به شما کمک می کند از طریق مثال های دنیای واقعی به تجربه و دانش برسید.
خواهد آموخت
- درک زمینه یادگیری عمیق RL و پیاده سازی مدل های پیچیده یادگیری عمیق
- ارزیابی روش های RL از جمله آنتروپی متقابل، DQN، بازیگر- منتقد، TRPO، PPO، DDPG، D4PG، و دیگران
- یک ربات سخت افزاری عملی آموزش دیده با روش های RL با کمتر از 100 دلار بسازید
- محیط TextWorld مایکروسافت را که یک پلتفرم بازی های تخیلی تعاملی است، کشف کنید
- از گسسته استفاده کنید بهینه سازی در RL برای حل مکعب روبیک
- به عامل خود آموزش دهید Connect 4 را با استفاده از AlphaGo Zero بازی کند
- آخرین تحقیقات عمیق RL در مورد موضوعاتی از جمله چت ربات های هوش مصنوعی را کاوش کنید
- تکنیک های پیشرفته اکتشاف، از جمله شبکه های پر سر و صدا و تکنیک های تقطیر شبکه را کشف کنید
این کتاب برای چه کسانی است
مطالب پایتون فرض شده است. درک صحیح از اصول یادگیری عمیق مفید خواهد بود. این کتاب مقدمه ای بر RL عمیق است و نیازی به پیشینه در RL ندارد
فهرست مطالب
- آموزش تقویتی چیست؟
- OpenAI Gym
- آموزش عمیق با PyTorch
- روش متقاطع آنتروپی
- یادگیری جدولی و معادله بلمن
- شبکه های Q-عمیق
- کتابخانه های سطح بالای RL
- برنامه‌های افزودنی DQN
- روش‌هایی برای افزایش سرعت RL
- معاملات سهام با استفاده از RL
- شیب‌های خط‌مشی – یک جایگزین
- روش Actor-Critic
- Asynchronous Advantage Actor-Critic
- آموزش چت بات ها با RL
- محیط TextWorld
- ناوبری وب
- فضای اقدام مستمر
- RL در رباتیک
- مناطق اعتماد – PPO، TRPO، ACKTR و SAC
- بهینه سازی جعبه سیاه در RL
- کاوش پیشرفته
- فراتر از مدل – بدون تصور
- AlphaGo Zero
- RL در بهینه سازی گسسته
- چند- عامل RL
li>
New edition of the bestselling guide to deep reinforcement learning and how it’s used to solve complex real-world problems. Revised and expanded to include multi-agent methods, discrete optimization, RL in robotics, advanced exploration techniques, and more
Key Features
- Second edition of the bestselling introduction to deep reinforcement learning, expanded with six new chapters
- Learn advanced exploration techniques including noisy networks, pseudo-count, and network distillation methods
- Apply RL methods to cheap hardware robotics platforms
Book Description
Deep Reinforcement Learning Hands-On, Second Edition is an updated and expanded version of the bestselling guide to the very latest reinforcement learning (RL) tools and techniques. It provides you with an introduction to the fundamentals of RL, along with the hands-on ability to code intelligent learning agents to perform a range of practical tasks.
With six new chapters devoted to a variety of up-to-the-minute developments in RL, including discrete optimization (solving the Rubik’s Cube), multi-agent methods, Microsoft’s TextWorld environment, advanced exploration techniques, and more, you will come away from this book with a deep understanding of the latest innovations in this emerging field.
In addition, you will gain actionable insights into such topic areas as deep Q-networks, policy gradient methods, continuous control problems, and highly scalable, non-gradient methods. You will also discover how to build a real hardware robot trained with RL for less than $100 and solve the Pong environment in just 30 minutes of training using step-by-step code optimization.
In short, Deep Reinforcement Learning Hands-On, Second Edition, is your companion to navigating the exciting complexities of RL as it helps you attain experience and knowledge through real-world examples.
What you will learn
- Understand the deep learning context of RL and implement complex deep learning models
- Evaluate RL methods including cross-entropy, DQN, actor-critic, TRPO, PPO, DDPG, D4PG, and others
- Build a practical hardware robot trained with RL methods for less than $100
- Discover Microsoft’s TextWorld environment, which is an interactive fiction games platform
- Use discrete optimization in RL to solve a Rubik’s Cube
- Teach your agent to play Connect 4 using AlphaGo Zero
- Explore the very latest deep RL research on topics including AI chatbots
- Discover advanced exploration techniques, including noisy networks and network distillation techniques
Who this book is for
Some fluency in Python is assumed. Sound understanding of the fundamentals of deep learning will be helpful. This book is an introduction to deep RL and requires no background in RL
Table of Contents
- What Is Reinforcement Learning?
- OpenAI Gym
- Deep Learning with PyTorch
- The Cross-Entropy Method
- Tabular Learning and the Bellman Equation
- Deep Q-Networks
- Higher-Level RL libraries
- DQN Extensions
- Ways to Speed up RL
- Stocks Trading Using RL
- Policy Gradients – an Alternative
- The Actor-Critic Method
- Asynchronous Advantage Actor-Critic
- Training Chatbots with RL
- The TextWorld environment
- Web Navigation
- Continuous Action Space
- RL in Robotics
- Trust Regions – PPO, TRPO, ACKTR, and SAC
- Black-Box Optimization in RL
- Advanced exploration
- Beyond Model-Free – Imagination
- AlphaGo Zero
- RL in Discrete Optimisation
- Multi-agent RL
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.