دانلود کتاب Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning – عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق

توضیحات

Implement intelligent agents using PyTorch to solve classic AI problems, play console games like Atari, and perform tasks such as autonomous driving using the CARLA driving simulator

Key Features

• Explore the OpenAI Gym toolkit and interface to use over 700 learning tasks
• Implement agents to solve simple to complex AI problems
• Study learning environments and discover how to create your own

Book Description

Many real-world problems can be broken down into tasks that require a series of decisions to be made or actions to be taken. The ability to solve such tasks without a machine being programmed requires a machine to be artificially intelligent and capable of learning to adapt. This book is an easy-to-follow guide to implementing learning algorithms for machine software agents in order to solve discrete or continuous sequential decision making and control tasks.

Hands-On Intelligent Agents with OpenAI Gym takes you through the process of building intelligent agent algorithms using deep reinforcement learning starting from the implementation of the building blocks for configuring, training, logging, visualizing, testing, and monitoring the agent. You will walk through the process of building intelligent agents from scratch to perform a variety of tasks. In the closing chapters, the book provides an overview of the latest learning environments and learning algorithms, along with pointers to more resources that will help you take your deep reinforcement learning skills to the next level.

What you will learn

• Explore intelligent agents and learning environments
• Understand the basics of RL and deep RL
• Get started with OpenAI Gym and PyTorch for deep reinforcement learning
• Discover deep Q learning agents to solve discrete optimal control tasks
• Create custom learning environments for real-world problems
• Apply a deep actor-critic agent to drive a car autonomously in CARLA
• Use the latest learning environments and algorithms to upgrade your intelligent agent development skills

Who this book is for

If youre a student, game/machine learning developer, or AI enthusiast looking to get started with building intelligent agents and algorithms to solve a variety of problems with the OpenAI Gym interface, this book is for you. You will also find this book useful if you want to learn how to build deep reinforcement learning-based agents to solve problems in your domain of interest. Though the book covers all the basic concepts that you need to know, some working knowledge of Python programming language will help you get the most out of it.

Table of Contents

1. Introduction to Intelligent Agents and Learning Environments
2. Reinforcement Learning and Deep Reinforcement Learning
3. Getting Started with OpenAI Gym and Deep Reinforcement Learning
4. Exploring the Gym and its Features
5. Implementing your First Learning Agent Solving the Mountain Car problem
6. Implementing an Intelligent Agent for Optimal Control using Deep Q-Learning
7. Creating Custom OpenAI Gym Environments Carla Driving Simulator
8. Implementing an Intelligent & Autonomous Car Driving Agent using Deep Actor-Critic Algorithm
9. Exploring the Learning Environment Landscape Roboschool, Gym-Retro, StarCraft-II, DeepMindLab
10. Exploring the Learning Algorithm Landscape DDPG (Actor-Critic), PPO (Policy-Gradient), Rainbow (Value-Based)

————————————————————–

ترجمه ماشینی :

اجراهای هوشمند با استفاده از PyTorch برای حل مشکلات کلاسیک هوش مصنوعی، بازی‌های کنسولی مانند Atari و انجام کارهایی مانند رانندگی مستقل با استفاده از شبیه‌ساز رانندگی CARLA

ویژگی‌های کلیدی

h4>

• با ابزار و رابط OpenAI Gym کاوش کنید تا از بیش از 700 کار آموزشی استفاده کنید
• اجراها را برای حل مشکلات ساده تا پیچیده هوش مصنوعی بکار ببرید
• محیط های یادگیری را مطالعه کنید و کشف کنید که چگونه برای ایجاد خود

توضیحات کتاب

بسیاری از مشکلات دنیای واقعی را می‌توان به وظایفی تقسیم کرد که نیاز به یک سری تصمیم‌گیری یا اقدامات لازم دارند. توانایی حل چنین وظایفی بدون برنامه‌ریزی ماشین مستلزم آن است که ماشینی به‌طور مصنوعی هوشمند باشد و توانایی یادگیری سازگاری را داشته باشد. این کتاب یک راهنمای ساده برای پیاده‌سازی الگوریتم‌های یادگیری برای عوامل نرم‌افزاری ماشین به منظور حل وظایف تصمیم‌گیری و کنترل متوالی گسسته یا پیوسته است.

نمایندگان هوشمند عملی با OpenAI Gym شما را به شما راهنمایی می‌کند. فرآیند ساخت الگوریتم‌های عامل هوشمند با استفاده از یادگیری تقویتی عمیق که از اجرای بلوک‌های ساختمانی برای پیکربندی، آموزش، ثبت، تجسم، آزمایش و نظارت بر عامل شروع می‌شود. شما مراحل ساخت عوامل هوشمند را از ابتدا برای انجام کارهای مختلف طی خواهید کرد. در فصل‌های پایانی، کتاب مروری بر جدیدترین محیط‌های یادگیری و الگوریتم‌های یادگیری، همراه با اشاره‌ای به منابع بیشتر ارائه می‌کند که به شما کمک می‌کند تا مهارت‌های یادگیری تقویتی عمیق خود را به سطح بعدی ارتقا دهید.

آنچه خواهید داشت. یادگیری

• کاوش عوامل هوشمند و محیط های یادگیری
• درک اصول RL و عمیق RL
• برای یادگیری تقویتی عمیق با OpenAI Gym و PyTorch شروع کنید.
• کشف عوامل یادگیری عمیق Q برای حل وظایف کنترلی بهینه گسسته
• ایجاد محیط های یادگیری سفارشی برای مشکلات دنیای واقعی
• از یک عامل منتقد عمیق برای رانندگی استفاده کنید یک ماشین به طور مستقل در CARLA
• از جدیدترین محیط های یادگیری و الگوریتم ها برای ارتقاء مهارت های توسعه عامل هوشمند خود استفاده کنید

این کتاب برای چه کسی است

اگر شما یک دانش‌آموز، توسعه‌دهنده یادگیری بازی/ماشین یا علاقه‌مند به هوش مصنوعی هستید که می‌خواهید با ساخت عوامل و الگوریتم‌های هوشمند برای حل انواع مشکلات با رابط OpenAI Gym شروع کنید، این کتاب برای شما مناسب است. همچنین اگر می خواهید یاد بگیرید که چگونه عوامل مبتنی بر یادگیری تقویتی عمیق را برای حل مشکلات در حوزه مورد علاقه خود بسازید، این کتاب را مفید خواهید یافت. اگرچه این کتاب تمام مفاهیم اولیه‌ای را که باید بدانید را پوشش می‌دهد، اما برخی از دانش زبان برنامه‌نویسی پایتون به شما کمک می‌کند تا بیشترین بهره را از آن ببرید.

فهرست محتوا

1. مقدمه ای بر عوامل هوشمند و محیط های آموزشی
2. یادگیری تقویتی و یادگیری تقویتی عمیق
3. آغاز با OpenAI Gym و آموزش تقویتی عمیق
4. کاوش در باشگاه و ویژگی های آن
5. اجرای اولین عامل یادگیری خود برای حل مشکل ماشین کوهستانی
6. اجرای یک عامل هوشمند برای کنترل بهینه با استفاده از Deep Q-Learning
7. ایجاد محیط های ورزشی OpenAI سفارشی Carla Driving شبیه ساز
8. پیاده سازی یک & عامل رانندگی خودکار با استفاده از الگوریتم Deep Actor-Critic
9. کاوش در محیط یادگیری چشم انداز Roboschool، Gym-Retro، StarCraft-II، DeepMindLab
10. کاوش در الگوریتم یادگیری چشم انداز DDPG (Actor-Critic )، PPO (سیاست- گرادیان)، رنگین کمان (مبتنی بر ارزش)

tag : دانلود کتاب عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق , Download عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق , دانلود عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق , Download Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning Book , عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق دانلود , buy عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق , خرید کتاب عوامل هوشمند عملی با OpenAI Gym: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق , دانلود کتاب Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning , کتاب Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning , دانلود Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning , خرید Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning , خرید کتاب Hands-On Intelligent Agents with OpenAI Gym: Your guide to developing AI agents using deep reinforcement learning ,