دانلود کتاب TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python – راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید.

توضیحات

Leverage the power of Tensorflow to Create powerful software agents that can self-learn to perform real-world tasks

Key Features

• Explore efficient Reinforcement Learning algorithms and code them using TensorFlow and Python
• Train Reinforcement Learning agents for problems, ranging from computer games to autonomous driving.
• Formulate and devise selective algorithms and techniques in your applications in no time.

Book Description

Advances in reinforcement learning algorithms have made it possible to use them for optimal control in several different industrial applications. With this book, you will apply Reinforcement Learning to a range of problems, from computer games to autonomous driving.

The book starts by introducing you to essential Reinforcement Learning concepts such as agents, environments, rewards, and advantage functions. You will also master the distinctions between on-policy and off-policy algorithms, as well as model-free and model-based algorithms. You will also learn about several Reinforcement Learning algorithms, such as SARSA, Deep Q-Networks (DQN), Deep Deterministic Policy Gradients (DDPG), Asynchronous Advantage Actor-Critic (A3C), Trust Region Policy Optimization (TRPO), and Proximal Policy Optimization (PPO). The book will also show you how to code these algorithms in TensorFlow and Python and apply them to solve computer games from OpenAI Gym. Finally, you will also learn how to train a car to drive autonomously in the Torcs racing car simulator.

By the end of the book, you will be able to design, build, train, and evaluate feed-forward neural networks and convolutional neural networks. You will also have mastered coding state-of-the-art algorithms and also training agents for various control problems.

What you will learn

• Understand the theory and concepts behind modern Reinforcement Learning algorithms
• Code state-of-the-art Reinforcement Learning algorithms with discrete or continuous actions
• Develop Reinforcement Learning algorithms and apply them to training agents to play computer games
• Explore DQN, DDQN, and Dueling architectures to play Atari’s Breakout using TensorFlow
• Use A3C to play CartPole and LunarLander
• Train an agent to drive a car autonomously in a simulator

Who this book is for

Data scientists and AI developers who wish to quickly get started with training effective reinforcement learning models in TensorFlow will find this book very useful. Prior knowledge of machine learning and deep learning concepts (as well as exposure to Python programming) will be useful.

Table of Contents

1. Up and Running with Reinforcement Learning
2. Temporal Difference, SARSA, and Q-Learning
3. Deep Q-Network
4. Double DQN, Dueling Architectures, and Rainbow
5. Deep Deterministic Policy Gradient
6. Asynchronous Methods – A3C and A2C
7. Trust Region Policy Optimization and Proximal Policy Optimization
8. Deep RL Applied to Autonomous Driving

————————————————————–

ترجمه ماشینی :

از قدرت Tensorflow برای ایجاد عوامل نرم افزاری قدرتمندی استفاده کنید که می توانند برای انجام کارهای دنیای واقعی خودآموزی کنند

ویژگی های کلیدی

• الگوریتم های یادگیری تقویتی کارآمد را کاوش کنید و آنها را با استفاده از TensorFlow و Python کدنویسی کنید
• آموزش عوامل یادگیری تقویتی برای مشکلات، از بازی های رایانه ای گرفته تا رانندگی مستقل.
• در کمترین زمان، الگوریتم ها و تکنیک های انتخابی را در برنامه های خود فرموله و ابداع کنید.

شرح کتاب

پیشرفت در الگوریتم های یادگیری تقویتی امکان استفاده از آنها را برای کنترل بهینه در چندین کاربرد صنعتی مختلف فراهم کرده است. با استفاده از این کتاب، یادگیری تقویتی را برای طیف وسیعی از مشکلات، از بازی های رایانه ای گرفته تا رانندگی خودران، به کار خواهید برد.

این کتاب با معرفی مفاهیم ضروری یادگیری تقویتی مانند عوامل، محیط‌ها، پاداش‌ها و توابع مزیت آغاز می‌شود. شما همچنین بر تمایز بین الگوریتم‌های مبتنی بر سیاست و الگوریتم‌های خارج از خط‌مشی و همچنین الگوریتم‌های بدون مدل و مبتنی بر مدل تسلط خواهید داشت. همچنین در مورد چندین الگوریتم یادگیری تقویتی مانند SARSA، Deep Q-Networks (DQN)، Deep Deterministic Policy Gradients (DDPG)، Asynchronous Advantage Actor-Critic (A3C)، بهینه سازی خط مشی منطقه اعتماد (TRPO) و Proximal Policy آشنا خواهید شد. بهینه سازی (PPO). این کتاب همچنین به شما نشان می دهد که چگونه این الگوریتم ها را در TensorFlow و Python کدنویسی کنید و از آنها برای حل بازی های رایانه ای از OpenAI Gym استفاده کنید. در نهایت، شما همچنین یاد خواهید گرفت که چگونه یک ماشین را برای رانندگی مستقل در شبیه ساز ماشین مسابقه Torcs آموزش دهید.

در پایان کتاب، می‌توانید شبکه‌های عصبی پیش‌خور و شبکه‌های عصبی کانولوشن را طراحی، ساخت، آموزش و ارزیابی کنید. شما همچنین بر الگوریتم های پیشرفته کدنویسی و همچنین عوامل آموزش برای مسائل مختلف کنترل تسلط خواهید داشت.

آنچه یاد خواهید گرفت

• تئوری و مفاهیم پشت الگوریتم های یادگیری تقویتی مدرن را درک کنید
• کد الگوریتم های یادگیری تقویتی پیشرفته با اقدامات گسسته یا پیوسته
• الگور
  

  ---

   

  tag : دانلود کتاب راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. , Download راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. , دانلود راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. , Download TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python Book , راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. دانلود , buy راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. , خرید کتاب راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و استقرار عوامل هوشمند و خودآموز با استفاده از پایتون، راه بیفتید و اجرا کنید. , دانلود کتاب TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python , کتاب TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python , دانلود TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python , خرید TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python , خرید کتاب TensorFlow Reinforcement Learning Quick Start Guide: Get up and running with training and deploying intelligent, self-learning agents using Python ,