توضیحات
The Contemporary Introduction to Deep Reinforcement Learning that Combines Theory and Practice
Deep reinforcement learning (deep RL) combines deep learning and reinforcement learning, in which artificial agents learn to solve sequential decision-making problems. In the past decade deep RL has achieved remarkable results on a range of problems, from single and multiplayer gamessuch as Go, Atari games, and DotA 2to robotics.
Foundations of Deep Reinforcement Learning is an introduction to deep RL that uniquely combines both theory and implementation. It starts with intuition, then carefully explains the theory of deep RL algorithms, discusses implementations in its companion software library SLM Lab, and finishes with the practical details of getting deep RL to work.
This guide is ideal for both computer science students and software engineers who are familiar with basic machine learning concepts and have a working understanding of Python.
- Understand each key aspect of a deep RL problem
- Explore policy- and value-based algorithms, including REINFORCE, SARSA, DQN, Double DQN, and Prioritized Experience Replay (PER)
- Delve into combined algorithms, including Actor-Critic and Proximal Policy Optimization (PPO)
- Understand how algorithms can be parallelized synchronously and asynchronously
- Run algorithms in SLM Lab and learn the practical implementation details for getting deep RL to work
- Explore algorithm benchmark results with tuned hyperparameters
- Understand how deep RL environments are designed
Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.
————————————————————–
ترجمه ماشینی :
مقدمه معاصر برای یادگیری تقویت عمیق که ترکیبی از تئوری و عمل است
یادگیری تقویت عمیق (RL عمیق) ترکیبی از یادگیری عمیق و یادگیری تقویت کننده است ، که در آن عوامل مصنوعی برای حل تصمیم گیری پی در پی یاد می گیرند چالش ها و مسائل. در یک دهه گذشته RL عمیق در مورد طیف وسیعی از مشکلات ، از Gamessuch تک و چند نفره مانند Go ، Atari Games و Dota 2to Robotics به نتایج قابل توجهی دست یافته است. /b> مقدمه ای برای RL عمیق است که به طور منحصر به فرد تئوری و اجرای آن را ترکیب می کند. این کار با شهود شروع می شود ، سپس تئوری الگوریتم های عمیق RL را با دقت توضیح می دهد ، در مورد اجرای در آزمایشگاه SLM نرم افزار همراه خود بحث می کند و با جزئیات عملی دریافت RL عمیق برای کار به پایان می رسد.
این راهنما برای دانشجویان علوم کامپیوتر و مهندسان نرم افزار که با مفاهیم اساسی یادگیری ماشین آشنا هستند ایده آل است و درک کاری از پایتون دارند.
- هر جنبه اصلی یک مشکل عمیق RL را درک کنید
- الگوریتم های مبتنی بر سیاست و ارزش ، از جمله تقویت ، سارسا ، DQN ، Double DQN و اولویت بندی مجدد تجربه (per) را کشف کنید. li>
- به الگوریتم های ترکیبی ، از جمله بهینه سازی سیاست بازیگر-انتقادی و پروگزیمال (PPO)
- درک کنید که چگونه الگوریتم ها می توانند به صورت همزمان و ناهمزمان موازی شوند
- الگوریتم های SLM را در آزمایشگاه SLM و اجرا کنید جزئیات اجرای عملی را برای دریافت RL عمیق برای کار بیاموزید
- نتایج معیار الگوریتم را با هایپرپارامترهای تنظیم شده کشف کنید
- درک کنید که چگونه محیط های عمیق RL طراحی شده اند
کتاب خود را برای دسترسی راحت به بارگیری ، به روزرسانی ها و/یا تصحیح در صورت در دسترس بودن ثبت کنید. برای جزئیات بیشتر به کتاب داخل مراجعه کنید.
tag : دانلود کتاب مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون , Download مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون , دانلود مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون , Download Foundations of Deep Reinforcement Learning: Theory and Practice in Python Book , مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون دانلود , buy مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون , خرید کتاب مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون , دانلود کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python , کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python , دانلود Foundations of Deep Reinforcement Learning: Theory and Practice in Python , خرید Foundations of Deep Reinforcement Learning: Theory and Practice in Python , خرید کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.