دانلود کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges (به فارسی: الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را یاد بگیرید، درک کنید و توسعه دهید برای مقابله با چالشهای هوش مصنوعی) نوشته شده توسط «Andrea Lonza»
اطلاعات کتاب الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را یاد بگیرید، درک کنید و توسعه دهید برای مقابله با چالشهای هوش مصنوعی
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Andrea Lonza
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 366 / 356
حجم فایل: 21.98 مگابایت
کد کتاب: 1789131111 , 9781789131116
نوبت چاپ: 1
توضیحات کتاب الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را یاد بگیرید، درک کنید و توسعه دهید برای مقابله با چالشهای هوش مصنوعی
توسعه الگوریتم ها و عوامل خودآموز با استفاده از TensorFlow و سایر ابزارها، چارچوب ها و کتابخانه های پایتون
ویژگی های کلیدی
• یادگیری، توسعه، و استقرار الگوریتم های پیشرفته یادگیری تقویتی برای حل انواع کارها
• درک و توسعه الگوریتم های بدون مدل و مبتنی بر مدل برای ساخت عوامل خودآموز
• کار با مفاهیم و الگوریتم های تقویتی پیشرفته مانند یادگیری تقلید و استراتژی های تکامل
توضیحات کتاب
Reinforcement Learning (RL) یک شاخه محبوب و امیدوارکننده از هوش مصنوعی است که شامل ساخت مدلها و عوامل هوشمندتر است که میتوانند به طور خودکار رفتار ایدهآل را بر اساس نیازهای متغیر تعیین کنند. این کتاب به شما کمک میکند تا با ایجاد عوامل خودآموز، بر الگوریتمهای RL تسلط پیدا کنید و پیادهسازی آنها را درک کنید.
این کتاب با مقدمهای بر ابزارها، کتابخانهها و تنظیمات مورد نیاز برای کار در محیط RL شروع میشود، این کتاب بلوکهای سازنده RL را پوشش میدهد و به روشهای مبتنی بر ارزش، مانند کاربرد الگوریتمهای Q-learning و SARSA میپردازد. شما یاد خواهید گرفت که چگونه از ترکیبی از یادگیری Q و شبکه های عصبی برای حل مسائل پیچیده استفاده کنید. علاوه بر این، قبل از رفتن به الگوریتمهای قطعی DDPG و TD3، روشهای گرادیان خطمشی، TRPO و PPO را برای بهبود عملکرد و پایداری مطالعه خواهید کرد. این کتاب همچنین نحوه عملکرد تکنیکهای یادگیری تقلید و اینکه چگونه Dagger میتواند به مامور رانندگی آموزش دهد را پوشش میدهد. شما استراتژی های تکاملی و تکنیک های بهینه سازی جعبه سیاه را کشف خواهید کرد و خواهید دید که چگونه می توانند الگوریتم های RL را بهبود بخشند. در نهایت، با رویکردهای اکتشافی، مانند UCB و UCB1، آشنا خواهید شد و متاالگوریتمی به نام ESBAS ایجاد خواهید کرد.
تا پایان کتاب، شما با الگوریتمهای کلیدی RL برای غلبه بر چالشها در برنامههای کاربردی دنیای واقعی کار کردهاید و بخشی از جامعه تحقیقاتی RL خواهید بود.
آنچه خواهید آموخت
• یک عامل برای بازی CartPole با استفاده از رابط OpenAI Gym ایجاد کنید
• الگوی یادگیری تقویتی مبتنی بر مدل را کشف کنید
• مشکل دریاچه یخ زده را با برنامه نویسی پویا حل کنید
• آموزش Q-Learning و SARSA را برای انجام یک بازی تاکسی کاوش کنید
• با استفاده از Gym
، Deep Q-Networks (DQN) را روی بازی های Atari اعمال کنید
• الگوریتم های گرادیان خط مشی را مطالعه کنید، از جمله Actor-Critic و REINFORCE
• درک و اعمال PPO و TRPO در محیط های حرکت پیوسته
• با راهبردهای تکاملی برای حل مشکل فرودگر ماه برخورد کنید
این کتاب برای چه کسانی است
اگر یک محقق هوش مصنوعی، کاربر یادگیری عمیق، یا هر کسی هستید که میخواهد یادگیری تقویتی را از ابتدا بیاموزد، این کتاب برای شما مناسب است. همچنین اگر میخواهید در مورد پیشرفتهای این رشته بیاموزید، این کتاب یادگیری تقویتی برای شما مفید خواهد بود. دانش کاری پایتون ضروری است.
Key Features
• Learn, develop, and deploy advanced reinforcement learning algorithms to solve a variety of tasks
• Understand and develop model-free and model-based algorithms for building self-learning agents
• Work with advanced Reinforcement Learning concepts and algorithms such as imitation learning and evolution strategies
Book Description
Reinforcement Learning (RL) is a popular and promising branch of AI that involves making smarter models and agents that can automatically determine ideal behavior based on changing requirements. This book will help you master RL algorithms and understand their implementation as you build self-learning agents.
Starting with an introduction to the tools, libraries, and setup needed to work in the RL environment, this book covers the building blocks of RL and delves into value-based methods, such as the application of Q-learning and SARSA algorithms. You’ll learn how to use a combination of Q-learning and neural networks to solve complex problems. Furthermore, you’ll study the policy gradient methods, TRPO, and PPO, to improve performance and stability, before moving on to the DDPG and TD3 deterministic algorithms. This book also covers how imitation learning techniques work and how Dagger can teach an agent to drive. You’ll discover evolutionary strategies and black-box optimization techniques, and see how they can improve RL algorithms. Finally, you’ll get to grips with exploration approaches, such as UCB and UCB1, and develop a meta-algorithm called ESBAS.
By the end of the book, you’ll have worked with key RL algorithms to overcome challenges in real-world applications, and be part of the RL research community.
What you will learn
• Develop an agent to play CartPole using the OpenAI Gym interface
• Discover the model-based reinforcement learning paradigm
• Solve the Frozen Lake problem with dynamic programming
• Explore Q-learning and SARSA with a view to playing a taxi game
• Apply Deep Q-Networks (DQNs) to Atari games using Gym
• Study policy gradient algorithms, including Actor-Critic and REINFORCE
• Understand and apply PPO and TRPO in continuous locomotion environments
• Get to grips with evolution strategies for solving the lunar lander problem
Who this book is for
If you are an AI researcher, deep learning user, or anyone who wants to learn reinforcement learning from scratch, this book is for you. You’ll also find this reinforcement learning book useful if you want to learn about the advancements in the field. Working knowledge of Python is necessary.
📖 خرید این کتاب
برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمههای زیر کلیک کنید تا پیام آماده برای شما ارسال شود:
پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.