Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras

در دنیای الگوریتم‌های یادگیری تقویتی کاوش کنید و از طریق پایتون آنها را در موارد مختلف استفاده کنید. این کتاب موضوعات مهمی مانند گرادیان های خط مشی و یادگیری Q را پوشش می دهد و از چارچوب هایی مانند Tensorflow، Keras و OpenAI Gym استفاده می کند.

آموزش تقویتی کاربردی با Python شما را با تئوری الگوریتم های یادگیری تقویتی (RL) و کدی که برای پیاده سازی آنها استفاده می شود آشنا می کند. شما یک تور راهنما از طریق ویژگی‌های OpenAI Gym، از استفاده از کتابخانه‌های استاندارد گرفته تا ایجاد محیط‌های شخصی خود خواهید داشت، سپس دریابید که چگونه مشکلات یادگیری تقویتی را چارچوب‌بندی کنید تا بتوانید راه‌حل‌های مبتنی بر RL را تحقیق، توسعه و اجرا کنید.

آنچه یاد خواهید گرفت

• یادگیری تقویتی را پیاده سازی کنید با پایتون
• کار با چارچوب های هوش مصنوعی مانند OpenAI Gym، Tensorflow و Keras
• استقرار و آموزش راه حل های مبتنی بر یادگیری تقویتی از طریق منابع ابری
• استفاده از برنامه های کاربردی یادگیری تقویتی

< /p>

این کتاب برای چه کسی است

دانشمندان داده، مهندسان یادگیری ماشین و مهندسان نرم افزار آشنا با یادگیری ماشین و مفاهیم یادگیری عمیق.

Delve into the world of reinforcement learning algorithms and apply them to different use-cases via Python. This book covers important topics such as policy gradients and Q learning, and utilizes frameworks such as Tensorflow, Keras, and OpenAI Gym.

Applied Reinforcement Learning with Python introduces you to the theory behind reinforcement learning (RL) algorithms and the code that will be used to implement them. You will take a guided tour through features of OpenAI Gym, from utilizing standard libraries to creating your own environments, then discover how to frame reinforcement learning problems so you can research, develop, and deploy RL-based solutions.

What You'll Learn

• Implement reinforcement learning with Python
• Work with AI frameworks such as OpenAI Gym, Tensorflow, and Keras
• Deploy and train reinforcement learning–based solutions via cloud resources
• Apply practical applications of reinforcement learning

Who This Book Is For

Data scientists, machine learning engineers and software engineers familiar with machine learning and deep learning concepts.