توضیحات
Deep reinforcement learning is a fast-growing discipline that is making a significant impact in fields of autonomous vehicles, robotics, healthcare, finance, and many more. This book covers deep reinforcement learning using deep-q learning and policy gradient models with coding exercise.
You’ll begin by reviewing the Markov decision processes, Bellman equations, and dynamic programming that form the core concepts and foundation of deep reinforcement learning. Next, you’ll study model-free learning followed by function approximation using neural networks and deep learning. This is followed by various deep reinforcement learning algorithms such as deep q-networks, various flavors of actor-critic methods, and other policy-based methods.
You’ll also look at exploration vs exploitation dilemma, a key consideration in reinforcement learning algorithms, along with Monte Carlo tree search (MCTS), which played a key role in the success of AlphaGo. The final chapters conclude with deep reinforcement learning implementation using popular deep learning frameworks such as TensorFlow and PyTorch. In the end, you’ll understand deep reinforcement learning along with deep q networks and policy gradient models implementation with TensorFlow, PyTorch, and Open AI Gym.
What You’ll Learn
- Examine deep reinforcement learning
- Implement deep learning algorithms using OpenAIs Gym environment
- Code your own game playing agents for Atari using actor-critic algorithms
- Apply best practices for model building and algorithm training
Who This Book Is For
Machine learning developers and architects who want to stay ahead of the curve in the field of AI and deep learning.
————————————————————–
ترجمه ماشینی :
یادگیری تقویتی عمیق رشتهای است که به سرعت در حال رشد است که تأثیر قابلتوجهی در زمینههای وسایل نقلیه خودران، روباتیک، مراقبتهای بهداشتی، مالی و بسیاری موارد دیگر دارد. این کتاب یادگیری تقویتی عمیق را با استفاده از یادگیری عمیق q و مدلهای گرادیان خط مشی با تمرین کدگذاری پوشش میدهد.
شما با بررسی فرآیندهای تصمیم مارکوف، معادلات بلمن، و برنامه نویسی پویا که مفاهیم اصلی و پایه یادگیری تقویتی عمیق را تشکیل می دهد. در مرحله بعد، یادگیری بدون مدل و به دنبال آن تقریب تابع با استفاده از شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. به دنبال آن الگوریتمهای یادگیری تقویت عمیق مختلف مانند شبکههای q عمیق، روشهای متفاوت بازیگران منتقد و سایر روشهای مبتنی بر خطمشی انجام میشود.
You’ همچنین به معضل اکتشاف در مقابل بهرهبرداری، یک ملاحظات کلیدی در الگوریتمهای یادگیری تقویتی، همراه با جستجوی درختی مونت کارلو (MCTS) که نقش کلیدی در موفقیت AlphaGo ایفا کرد، نگاه خواهیم کرد. فصل های پایانی با اجرای یادگیری تقویتی عمیق با استفاده از چارچوب های یادگیری عمیق محبوب مانند TensorFlow و PyTorch به پایان می رسد. در پایان، یادگیری تقویت عمیق را به همراه شبکههای q عمیق و پیادهسازی مدلهای گرادیان خط مشی با TensorFlow، PyTorch و Open AI Gym خواهید فهمید.
<. div>
آنچه یاد خواهید گرفت
- یادگیری تقویتی عمیق را بررسی کنید
- الگوریتم های یادگیری عمیق را با استفاده از محیط OpenAIs Gym پیاده سازی کنید< /li>
- با استفاده از الگوریتمهای منتقد بازیگر، عوامل بازی خود را برای آتاری کدنویسی کنید
- بهترین شیوهها را برای ساختن مدل و آموزش الگوریتم بکار ببرید
این کتاب برای چه کسی است
نقد و بررسیها
هنوز بررسیای ثبت نشده است.