توضیحات
Humans learn best from feedbackwe are encouraged to take actions that lead to positive results while deterred by decisions with negative consequences. This reinforcement process can be applied to computer programs allowing them to solve more complex problems that classical programming cannot.
Deep Reinforcement Learning in Action teaches you the fundamental concepts and terminology of deep reinforcement learning, along with the practical skills and techniques youll need to implement it into your own projects.
Key features
Structuring problems as Markov Decision Processes
Popular algorithms such Deep Q-Networks, Policy Gradient method and Evolutionary Algorithms and the intuitions that drive them
Applying reinforcement learning algorithms to real-world problems
Audience
Youll need intermediate Python skills and a basic understanding of deep learning.
About the technology
Deep reinforcement learning is a form of machine learning in which AI agents learn optimal behavior from their own raw sensory input. The system perceives the environment, interprets the results of its past decisions, and uses this information to optimize its behavior for maximum long-term return. Deep reinforcement learning famously contributed to the success of AlphaGo but thats not all it can do!
Alexander Zai is a Machine Learning Engineer at Amazon AI working on MXNet that powers a suite of AWS machine learning products. Brandon Brown is a Machine Learning and Data Analysis blogger at outlace.com committed to providing clear teaching on difficult topics for newcomers.
————————————————————–
ترجمه ماشینی :
انسانها از بازخوردها به بهترین شکل یاد میگیرند، ما تشویق میشویم تا اقداماتی را انجام دهیم که منجر به نتایج مثبت شود، در حالی که با تصمیمهایی با پیامدهای منفی منصرف میشویم. این فرآیند تقویتی را می توان برای برنامه های کامپیوتری اعمال کرد و به آنها اجازه می دهد تا مسائل پیچیده تری را حل کنند که برنامه نویسی کلاسیک نمی تواند. Deep Reinforcement Learning in Action به شما مفاهیم اساسی و اصطلاحات یادگیری تقویتی عمیق را همراه با مهارت ها و تکنیک های عملی که برای پیاده سازی آن در پروژه های خود نیاز دارید، می آموزد. ویژگیهای کلیدی ساختار مشکلات بهعنوان فرآیندهای تصمیمگیری مارکوف الگوریتمهای رایج مانند Deep Q-Networks، روش گرادیان خط مشی و الگوریتمهای تکاملی و شهودهایی که آنها را هدایت میکنند استفاده از الگوریتمهای یادگیری تقویتی برای مشکلات دنیای واقعی مخاطبان شما به Python متوسط نیاز دارید. مهارت ها و درک اساسی از یادگیری عمیق. درباره فناوری یادگیری تقویتی عمیق شکلی از یادگیری ماشینی است که در آن عوامل هوش مصنوعی رفتار بهینه را از ورودی حسی خام خود یاد می گیرند. سیستم محیط را درک می کند، نتایج تصمیمات گذشته خود را تفسیر می کند و از این اطلاعات برای بهینه سازی رفتار خود برای حداکثر بازده طولانی مدت استفاده می کند. یادگیری تقویتی عمیق به موفقیت AlphaGo کمک کرد، اما این تمام چیزی نیست که می تواند انجام دهد! \ Alexander Zai یک مهندس یادگیری ماشین در آمازون AI است که روی MXNet کار می کند که مجموعه ای از محصولات یادگیری ماشینی AWS را تامین می کند. براندون براون یک وبلاگ نویس یادگیری ماشین و تجزیه و تحلیل داده در outlace.com است که متعهد به ارائه آموزش واضح در مورد موضوعات دشوار برای تازه واردان است.
tag : دانلود کتاب یادگیری تقویتی عمیق در عمل , Download یادگیری تقویتی عمیق در عمل , دانلود یادگیری تقویتی عمیق در عمل , Download Deep Reinforcement Learning in Action Book , یادگیری تقویتی عمیق در عمل دانلود , buy یادگیری تقویتی عمیق در عمل , خرید کتاب یادگیری تقویتی عمیق در عمل , دانلود کتاب Deep Reinforcement Learning in Action , کتاب Deep Reinforcement Learning in Action , دانلود Deep Reinforcement Learning in Action , خرید Deep Reinforcement Learning in Action , خرید کتاب Deep Reinforcement Learning in Action ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.