دانلود کتاب Mastering Reinforcement Learning with Python: Build next-generation, self-learning models using reinforcement learning techniques and best practices (به فارسی: تسلط بر یادگیری تقویتی با پایتون: ساخت مدل های خودآموز نسل بعدی با استفاده از تکنیک های یادگیری تقویتی و بهترین شیوه ها) نوشته شده توسط «Enes Bilgin»
اطلاعات کتاب تسلط بر یادگیری تقویتی با پایتون: ساخت مدل های خودآموز نسل بعدی با استفاده از تکنیک های یادگیری تقویتی و بهترین شیوه ها
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Enes Bilgin
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 532
حجم فایل: 14.13 مگابایت
کد کتاب: 1838644148 , 9781838644147
نوبت چاپ: 1
توضیحات کتاب تسلط بر یادگیری تقویتی با پایتون: ساخت مدل های خودآموز نسل بعدی با استفاده از تکنیک های یادگیری تقویتی و بهترین شیوه ها
تجربه عملی در ایجاد پیشرفته ترین عوامل یادگیری تقویتی با استفاده از TensorFlow و RLlib برای حل مشکلات پیچیده دنیای واقعی کسب و کار و صنعت با کمک نکات متخصص و بهترین شیوه ها بدست آورید
ویژگی های کلیدی
• درک نحوه عملکرد الگوریتم ها و رویکردهای پیشرفته RL در مقیاس بزرگ
• برای حل مشکلات پیچیده در بازاریابی، رباتیک، زنجیره تامین، امور مالی، امنیت سایبری و موارد دیگر از RL استفاده کنید
• نکات و بهترین شیوه های کارشناسان را کاوش کنید که به شما امکان می دهد بر چالش های دنیای واقعی RL غلبه کنید
توضیحات کتاب
یادگیری تقویتی (RL) زمینه ای از هوش مصنوعی (AI) است که برای ایجاد عوامل خودآموز خودآموز استفاده می شود. این کتاب با تکیه بر یک پایه نظری قوی، رویکردی عملی دارد و از مثال‌هایی با الهام از مشکلات صنعت در دنیای واقعی استفاده می‌کند تا در مورد پیشرفته‌ترین RL به شما آموزش دهد.
این کتاب با شروع مشکلات راهزن، فرآیندهای تصمیم مارکوف و برنامه‌نویسی پویا، مروری عمیق از تکنیک‌های کلاسیک RL، مانند روش‌های مونت کارلو و یادگیری تفاوت زمانی ارائه می‌کند. پس از آن، شما در مورد یادگیری عمیق Q، الگوریتم‌های گرادیان خط مشی، روش‌های منتقد بازیگر، روش‌های مبتنی بر مدل و یادگیری تقویتی چند عاملی خواهید آموخت. سپس، با برخی از رویکردهای کلیدی پشت موفقیت‌آمیزترین پیاده‌سازی RL، مانند تصادفی‌سازی دامنه و یادگیری مبتنی بر کنجکاوی آشنا می‌شوید.
با پیشروی، بسیاری از الگوریتم های جدید را با پیاده سازی های پیشرفته با استفاده از کتابخانه های مدرن پایتون مانند TensorFlow و بسته RLlib Ray کشف خواهید کرد. شما همچنین خواهید فهمید که چگونه می توانید RL را در زمینه هایی مانند رباتیک، مدیریت زنجیره تامین، بازاریابی، امور مالی، شهرهای هوشمند و امنیت سایبری پیاده سازی کنید، در حالی که معاوضه بین رویکردهای مختلف را ارزیابی می کنید و از دام های رایج اجتناب می کنید.
در پایان این کتاب، شما نحوه آموزش و استقرار عوامل RL خود را برای حل مشکلات RL به خوبی فرا خواهید گرفت.
آنچه خواهید آموخت
• مدلسازی و حل مسائل پیچیده تصمیم گیری متوالی با استفاده از RL
• درک کاملی از نحوه عملکرد روش های پیشرفته RL ایجاد کنید
• از Python و TensorFlow برای کدنویسی الگوریتم های RL از ابتدا استفاده کنید
• با استفاده از بسته RLlib Ray
، پیاده سازی های RL خود را موازی کرده و مقیاس آن را افزایش دهید
• دانش عمیقی در مورد طیف گسترده ای از موضوعات RL بدست آورید
• معاوضه بین رویکردهای مختلف RL را درک کنید
• چالش های پیاده سازی RL در دنیای واقعی را کشف کرده و به آنها رسیدگی کنید
این کتاب برای چه کسانی است
این کتاب برای پزشکان و محققانی متخصص در یادگیری ماشین است که به دنبال تمرکز بر یادگیری تقویتی عملی با پایتون با اجرای مفاهیم پیشرفته یادگیری تقویتی عمیق در پروژه‌های دنیای واقعی هستند. کارشناسان یادگیری تقویتی که می خواهند دانش خود را برای مقابله با مشکلات تصمیم گیری متوالی در مقیاس بزرگ و پیچیده ارتقا دهند نیز این کتاب را مفید خواهند یافت. دانش کاری برنامه نویسی پایتون و یادگیری عمیق همراه با تجربه قبلی در یادگیری تقویتی مورد نیاز است.
درباره نویسنده
Enes Bilgin به عنوان یک مهندس ارشد هوش مصنوعی و یک رهبر فناوری در بخش سیستم های خودکار مایکروسافت کار می کند. او کارشناس و محققی در زمینه یادگیری ماشین و تحقیق در عملیات با تجربه در ساخت سیستم‌ها و مدل‌های تولید برای شرکت‌های فناوری برتر با استفاده از Python، TensorFlow و Ray/RLlib است. او دارای مدرک M.S. و دکتری. در مهندسی سیستم از دانشگاه بوستون و مدرک B.S. در رشته مهندسی صنایع از دانشگاه بیلکنت. او در گذشته به عنوان دانشمند پژوهشی در آمازون و به عنوان دانشمند تحقیقات عملیاتی در AMD کار کرده است. او همچنین سمت‌های عضو هیئت علمی را در دانشکده بازرگانی مک‌کامبز در دانشگاه تگزاس در آستین و در دانشکده مهندسی اینگرام در دانشگاه ایالتی تگزاس داشت.
Key Features
• Understand how large-scale state-of-the-art RL algorithms and approaches work
• Apply RL to solve complex problems in marketing, robotics, supply chain, finance, cybersecurity, and more
• Explore tips and best practices from experts that will enable you to overcome real-world RL challenges
Book Description
Reinforcement learning (RL) is a field of artificial intelligence (AI) used for creating self-learning autonomous agents. Building on a strong theoretical foundation, this book takes a practical approach and uses examples inspired by real-world industry problems to teach you about state-of-the-art RL.
Starting with bandit problems, Markov decision processes, and dynamic programming, the book provides an in-depth review of the classical RL techniques, such as Monte Carlo methods and temporal-difference learning. After that, you will learn about deep Q-learning, policy gradient algorithms, actor-critic methods, model-based methods, and multi-agent reinforcement learning. Then, you’ll be introduced to some of the key approaches behind the most successful RL implementations, such as domain randomization and curiosity-driven learning.
As you advance, you’ll explore many novel algorithms with advanced implementations using modern Python libraries such as TensorFlow and Ray’s RLlib package. You’ll also find out how to implement RL in areas such as robotics, supply chain management, marketing, finance, smart cities, and cybersecurity while assessing the trade-offs between different approaches and avoiding common pitfalls.
By the end of this book, you’ll have mastered how to train and deploy your own RL agents for solving RL problems.
What you will learn
• Model and solve complex sequential decision-making problems using RL
• Develop a solid understanding of how state-of-the-art RL methods work
• Use Python and TensorFlow to code RL algorithms from scratch
• Parallelize and scale up your RL implementations using Ray’s RLlib package
• Get in-depth knowledge of a wide variety of RL topics
• Understand the trade-offs between different RL approaches
• Discover and address the challenges of implementing RL in the real world
Who this book is for
This book is for expert machine learning practitioners and researchers looking to focus on hands-on reinforcement learning with Python by implementing advanced deep reinforcement learning concepts in real-world projects. Reinforcement learning experts who want to advance their knowledge to tackle large-scale and complex sequential decision-making problems will also find this book useful. Working knowledge of Python programming and deep learning along with prior experience in reinforcement learning is required.
About the Author
Enes Bilgin works as a senior AI engineer and a tech lead in Microsoft’s Autonomous Systems division. He is a machine learning and operations research practitioner and researcher with experience in building production systems and models for top tech companies using Python, TensorFlow, and Ray/RLlib. He holds an M.S. and a Ph.D. in systems engineering from Boston University and a B.S. in industrial engineering from Bilkent University. In the past, he has worked as a research scientist at Amazon and as an operations research scientist at AMD. He also held adjunct faculty positions at the McCombs School of Business at the University of Texas at Austin and at the Ingram School of Engineering at Texas State University.
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.