کامپیوترها

آموزش تقویتی دستی با پایتون – ویرایش دوم. کد

Hands-On Reinforcement Learning with Python - Second Edition. Code

دانلود کتاب Hands-On Reinforcement Learning with Python – Second Edition. Code (به فارسی: آموزش تقویتی دستی با پایتون – ویرایش دوم. کد) نوشته شده توسط «Sudharsan Ravichandiran»

اطلاعات کتاب آموزش تقویتی دستی با پایتون – ویرایش دوم. کد

موضوع اصلی: کامپیوترها

نوع: کتاب الکترونیکی

ناشر: Packt Publishing

نویسنده: Sudharsan Ravichandiran

زبان: english

فرمت کتاب: ZIP (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2018

حجم فایل: 42.80 مگابایت

کد کتاب: 1788836529 , 9781788836524

نوبت چاپ: 2

توضیحات کتاب آموزش تقویتی دستی با پایتون – ویرایش دوم. کد

کد .راهنمای عملی غنی شده با مثال‌هایی برای تسلط بر الگوریتم‌های یادگیری تقویتی عمیق با ویژگی‌های کلیدی پایتون نقطه ورود شما به دنیای هوش مصنوعی با استفاده از قدرت پایتون راهنمای غنی از نمونه برای تسلط بر الگوریتم‌های مختلف RL و DRL کاوش حالت‌های مختلف معماری‌های پیشرفته همراه با کتاب ریاضی، آموزش تقویتی (RL) پرطرفدارترین و امیدوارکننده‌ترین شاخه هوش مصنوعی است. آموزش تقویتی Hands-On با پایتون به شما کمک می کند تا نه تنها بر الگوریتم های اصلی یادگیری تقویتی، بلکه بر الگوریتم های پیشرفته یادگیری تقویتی عمیق نیز تسلط داشته باشید. کتاب با مقدمه‌ای بر یادگیری تقویتی و سپس OpenAI Gym و TensorFlow شروع می‌شود. سپس الگوریتم‌ها و مفاهیم مختلف RL، مانند فرآیند تصمیم‌گیری مارکوف، روش‌های مونت کارلو، و برنامه‌نویسی پویا، از جمله تکرار ارزش و سیاست را بررسی خواهید کرد. این راهنمای غنی از نمونه شما را با الگوریتم های یادگیری تقویتی عمیق، مانند Dueling DQN، DRQN، A3C، PPO و TRPO آشنا می کند. همچنین در مورد عوامل تقویت‌شده تخیل، یادگیری از اولویت‌های انسانی، DQfD، HER و بسیاری دیگر از پیشرفت‌های اخیر در یادگیری تقویتی خواهید آموخت. در پایان کتاب، شما تمام دانش و تجربه لازم برای پیاده سازی یادگیری تقویتی و یادگیری تقویتی عمیق را در پروژه های خود خواهید داشت و برای ورود به دنیای هوش مصنوعی آماده خواهید بود. آنچه خواهید آموخت درک اصول اولیه روش ها، الگوریتم ها و عناصر یادگیری تقویتی آموزش یک عامل برای راه رفتن با استفاده از OpenAI Gym و Tensorflow درک فرآیند تصمیم گیری مارکوف، بهینه بودن بلمن، و یادگیری TD حل مسائل راهزن چند مسلح با استفاده از الگوریتم های مختلف استاد عمیق الگوریتم‌های یادگیری مانند RNN، LSTM و CNN با برنامه‌های کاربردی ساخت عوامل هوشمند با استفاده از الگوریتم DRQN ​​برای بازی Doom به ماموران آموزش بازی Lunar Lander با استفاده از DDPG آموزش مامور برای برنده شدن در یک بازی اتومبیل رانی با استفاده از دوئل DQN این کتاب چه کسی است. برای اگر شما یک توسعه دهنده یادگیری ماشینی یا علاقه مند به یادگیری عمیق هستید که به هوش مصنوعی علاقه مند هستید و می خواهید در مورد یادگیری تقویتی از ابتدا یاد بگیرید، این کتاب برای شما مناسب است. مقداری دانش از جبر خطی، حساب دیفرانسیل و انتگرال، و زبان برنامه نویسی پایتون به شما در درک مفاهیم مطرح شده در این کتاب کمک می کند.

Code .A hands-on guide enriched with examples to master deep reinforcement learning algorithms with Python Key Features Your entry point into the world of artificial intelligence using the power of Python An example-rich guide to master various RL and DRL algorithms Explore various state-of-the-art architectures along with math Book Description Reinforcement Learning (RL) is the trending and most promising branch of artificial intelligence. Hands-On Reinforcement learning with Python will help you master not only the basic reinforcement learning algorithms but also the advanced deep reinforcement learning algorithms. The book starts with an introduction to Reinforcement Learning followed by OpenAI Gym, and TensorFlow. You will then explore various RL algorithms and concepts, such as Markov Decision Process, Monte Carlo methods, and dynamic programming, including value and policy iteration. This example-rich guide will introduce you to deep reinforcement learning algorithms, such as Dueling DQN, DRQN, A3C, PPO, and TRPO. You will also learn about imagination-augmented agents, learning from human preference, DQfD, HER, and many more of the recent advancements in reinforcement learning. By the end of the book, you will have all the knowledge and experience needed to implement reinforcement learning and deep reinforcement learning in your projects, and you will be all set to enter the world of artificial intelligence. What you will learn Understand the basics of reinforcement learning methods, algorithms, and elements Train an agent to walk using OpenAI Gym and Tensorflow Understand the Markov Decision Process, Bellman’s optimality, and TD learning Solve multi-armed-bandit problems using various algorithms Master deep learning algorithms, such as RNN, LSTM, and CNN with applications Build intelligent agents using the DRQN algorithm to play the Doom game Teach agents to play the Lunar Lander game using DDPG Train an agent to win a car racing game using dueling DQN Who this book is for If you’re a machine learning developer or deep learning enthusiast interested in artificial intelligence and want to learn about reinforcement learning from scratch, this book is for you. Some knowledge of linear algebra, calculus, and the Python programming language will help you understand the concepts covered in this book.

دانلود کتاب «آموزش تقویتی دستی با پایتون – ویرایش دوم. کد»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

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.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان