توضیحات
Develop self-learning algorithms and agents using TensorFlow and other Python tools, frameworks, and libraries
Key Features
Learn, develop, and deploy advanced reinforcement learning algorithms to solve a variety of tasks
Understand and develop model-free and model-based algorithms for building self-learning agents
Work with advanced Reinforcement Learning concepts and algorithms such as imitation learning and evolution strategies
Book Description
Reinforcement Learning (RL) is a popular and promising branch of AI that involves making smarter models and agents that can automatically determine ideal behavior based on changing requirements. This book will help you master RL algorithms and understand their implementation as you build self-learning agents.
Starting with an introduction to the tools, libraries, and setup needed to work in the RL environment, this book covers the building blocks of RL and delves into value-based methods, such as the application of Q-learning and SARSA algorithms. You’ll learn how to use a combination of Q-learning and neural networks to solve complex problems. Furthermore, you’ll study the policy gradient methods, TRPO, and PPO, to improve performance and stability, before moving on to the DDPG and TD3 deterministic algorithms. This book also covers how imitation learning techniques work and how Dagger can teach an agent to drive. You’ll discover evolutionary strategies and black-box optimization techniques, and see how they can improve RL algorithms. Finally, you’ll get to grips with exploration approaches, such as UCB and UCB1, and develop a meta-algorithm called ESBAS.
By the end of the book, you’ll have worked with key RL algorithms to overcome challenges in real-world applications, and be part of the RL research community.
What you will learn
Develop an agent to play CartPole using the OpenAI Gym interface
Discover the model-based reinforcement learning paradigm
Solve the Frozen Lake problem with dynamic programming
Explore Q-learning and SARSA with a view to playing a taxi game
Apply Deep Q-Networks (DQNs) to Atari games using Gym
Study policy gradient algorithms, including Actor-Critic and REINFORCE
Understand and apply PPO and TRPO in continuous locomotion environments
Get to grips with evolution strategies for solving the lunar lander problem
Who this book is for
If you are an AI researcher, deep learning user, or anyone who wants to learn reinforcement learning from scratch, this book is for you. You’ll also find this reinforcement learning book useful if you want to learn about the advancements in the field. Working knowledge of Python is necessary.
————————————————————–
ترجمه ماشینی :
توسعه الگوریتمها و عوامل خودآموز با استفاده از TensorFlow و سایر ابزارها، چارچوبها و کتابخانههای پایتون ویژگیهای کلیدی الگوریتمهای یادگیری تقویتی پیشرفته را بیاموزید، توسعه دهید و به کار بگیرید تا انواع کارها را حل کنید درک و توسعه بدون مدل و مبتنی بر مدل الگوریتمهایی برای ساخت عوامل خودآموز کار با مفاهیم و الگوریتمهای پیشرفته یادگیری تقویتی مانند یادگیری تقلید و استراتژیهای تکامل شرح کتاب یادگیری تقویتی (RL) شاخه محبوب و امیدوارکنندهای از هوش مصنوعی است که شامل ساخت مدلها و عوامل هوشمندتر است که میتواند به طور خودکار رفتار ایده آل را بر اساس نیازهای متغیر تعیین می کند. این کتاب به شما کمک میکند تا در هنگام ساخت عوامل خودآموز، بر الگوریتمهای RL تسلط پیدا کنید و پیادهسازی آنها را درک کنید. این کتاب با مقدمهای بر ابزارها، کتابخانهها و راهاندازی مورد نیاز برای کار در محیط RL شروع میشود، این کتاب بلوکهای سازنده RL را پوشش میدهد و به روشهای مبتنی بر ارزش، مانند استفاده از الگوریتمهای Q-learning و SARSA میپردازد. شما یاد خواهید گرفت که چگونه از ترکیبی از یادگیری Q و شبکه های عصبی برای حل مسائل پیچیده استفاده کنید. علاوه بر این، قبل از اینکه به الگوریتمهای قطعی DDPG و TD3 بروید، روشهای گرادیان خطمشی، TRPO و PPO را برای بهبود عملکرد و پایداری مطالعه خواهید کرد. این کتاب همچنین نحوه عملکرد تکنیک های یادگیری تقلید و چگونگی آموزش رانندگی به مامور را پوشش می دهد. شما استراتژی های تکاملی و تکنیک های بهینه سازی جعبه سیاه را کشف خواهید کرد و خواهید دید که چگونه می توانند الگوریتم های RL را بهبود بخشند. در نهایت، شما با رویکردهای اکتشافی مانند UCB و UCB1 آشنا خواهید شد و متاالگوریتمی به نام ESBAS ایجاد خواهید کرد. تا پایان کتاب، شما با الگوریتم های کلیدی RL برای غلبه بر چالش ها در برنامه های کاربردی دنیای واقعی کار کرده اید و بخشی از جامعه تحقیقاتی RL خواهید بود. آنچه یاد خواهید گرفت یک عامل برای بازی CartPole با استفاده از رابط OpenAI Gym کشف الگوی یادگیری تقویتی مبتنی بر مدل حل مشکل دریاچه یخ زده با برنامه نویسی پویا کاوش Q-learning و SARSA با دید بازی کردن تاکسی بازی اعمال Deep Q-Networks (DQNs) در بازیهای Atari با استفاده از Gym الگوریتمهای گرادیان خطمشی مطالعه، از جمله Actor-Critic و REINFORCE درک و به کار بردن PPO و TRPO در محیطهای جابهجایی پیوسته با استراتژیهای تکاملی برای حل فرودگر ماه آشنا شوید. مشکل این کتاب برای چه کسی است اگر یک محقق هوش مصنوعی، کاربر یادگیری عمیق، یا هر کسی هستید که میخواهد یادگیری تقویتی را از ابتدا بیاموزد، این کتاب برای شما مناسب است. همچنین اگر میخواهید در مورد پیشرفتهای این رشته بیاموزید، این کتاب یادگیری تقویتی برای شما مفید خواهد بود. دانش کاری پایتون ضروری است.
tag : دانلود کتاب الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید , Download الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید , دانلود الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید , Download Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges Book , الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید دانلود , buy الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید , خرید کتاب الگوریتمهای یادگیری تقویتی با پایتون: الگوریتمهای هوشمند را برای مقابله با چالشهای هوش مصنوعی یاد بگیرید، درک کنید و توسعه دهید , دانلود کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges , کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges , دانلود Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges , خرید Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges , خرید کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.