توضیحات
Key Features
Use Q-learning to train deep learning models using Markov decision processes (MDPs) Study practical deep reinforcement learning using deep Q-networks Explore state-based unsupervised learning for machine learning models Q-learning is a machine learning algorithm used to solve optimization problems in artificial intelligence (AI). It is one of the most popular fields of study among AI researchers. This book starts off by introducing you to reinforcement learning and Q-learning, in addition to helping you get familiar with OpenAI Gym as well as libraries such as Keras and TensorFlow.
A few chapters into the book, you will gain insights into model-free Q-learning and use deep Q-networks and double deep Q-networks to solve complex problems. This book will guide you in exploring use cases such as self-driving vehicles and OpenAI Gym’s CartPole problem. You will also learn how to tune and optimize Q-networks and their hyperparameters. As you progress, you will understand the reinforcement learning approach to solving real-world problems. You will also explore how to use Q-learning and related algorithms in real-world applications such as scientific research. Toward the end, you’ll gain a sense of what’s in store for reinforcement learning.
By the end of this book, you will be equipped with the skills you need to solve reinforcement learning problems using Q-learning algorithms with OpenAI Gym, Keras, and TensorFlow.
What you will learn Explore the fundamentals of reinforcement learning and the state-action-reward process Understand Markov decision processes Get well-versed in libraries such as Keras and TensorFlow Create and deploy model-free learning and deep Q-learning agents with TensorFlow, Keras, and OpenAI Gym Choose and optimize a Q-network’s learning parameters and fine-tune its performance Discover real-world applications and use cases of Q-learning If you are a machine learning developer, engineer, or professional who wants to delve into the deep learning approach for a complex environment, then this is the book for you. Proficiency in Python programming and basic understanding of decision-making in reinforcement learning is assumed.
————————————————————–
ترجمه ماشینی :
ویژگی های کلیدی استفاده از یادگیری Q برای آموزش مدل های یادگیری عمیق با استفاده از فرآیندهای تصمیم مارکوف (MDPs) مطالعه یادگیری تقویتی عمیق عملی با استفاده از شبکه های Q عمیق کاوش یادگیری بدون نظارت مبتنی بر حالت برای مدل های یادگیری ماشینی یادگیری Q یک الگوریتم یادگیری ماشینی است که برای حل استفاده می شود. مسائل بهینه سازی در هوش مصنوعی (AI). این یکی از محبوب ترین زمینه های تحصیلی در بین محققان هوش مصنوعی است. این کتاب با آشنایی شما با یادگیری تقویتی و یادگیری Q شروع می شود، علاوه بر این به شما کمک می کند تا با OpenAI Gym و همچنین کتابخانه هایی مانند Keras و TensorFlow آشنا شوید. \ با چند فصل در کتاب، بینش هایی را در مورد یادگیری Q بدون مدل به دست خواهید آورد و از شبکه های Q عمیق و شبکه های Q دوگانه عمیق برای حل مسائل پیچیده استفاده خواهید کرد. این کتاب شما را در بررسی موارد استفاده مانند وسایل نقلیه خودران و مشکل CartPole در ورزشگاه OpenAI راهنمایی می کند. همچنین نحوه تنظیم و بهینه سازی شبکه های Q و فراپارامترهای آنها را خواهید آموخت. با پیشرفت، رویکرد یادگیری تقویتی برای حل مشکلات دنیای واقعی را درک خواهید کرد. همچنین نحوه استفاده از Q-learning و الگوریتم های مرتبط در برنامه های کاربردی دنیای واقعی مانند تحقیقات علمی را بررسی خواهید کرد. در انتها، حسی از آنچه در انتظار یادگیری تقویتی است، به دست خواهید آورد. در پایان این کتاب، شما به مهارتهایی که برای حل مسائل یادگیری تقویتی با استفاده از الگوریتمهای یادگیری Q با OpenAI Gym، Keras و TensorFlow نیاز دارید، مجهز میشوید. آنچه خواهید آموخت کاوش در اصول یادگیری تقویتی و فرآیند حالت-اقدام-پاداش درک فرآیندهای تصمیم مارکوف در کتابخانه هایی مانند Keras و TensorFlow به خوبی مسلط شوید با TensorFlow یادگیری بدون مدل و عوامل یادگیری عمیق Q را ایجاد و به کار بگیرید , Keras و OpenAI Gym پارامترهای یادگیری شبکه Q را انتخاب و بهینه کنید و عملکرد آن را تنظیم دقیق کنید. رویکرد یادگیری عمیق برای یک محیط پیچیده، پس این کتاب برای شماست. مهارت در برنامه نویسی پایتون و درک اولیه تصمیم گیری در یادگیری تقویتی فرض شده است.
tag : دانلود کتاب آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow , Download آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow , دانلود آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow , Download Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow Book , آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow دانلود , buy آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow , خرید کتاب آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow , دانلود کتاب Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow , کتاب Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow , دانلود Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow , خرید Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow , خرید کتاب Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.