ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python

دانلود کتاب مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

مشخصات کتاب

Foundations of Deep Reinforcement Learning: Theory and Practice in Python

ویرایش:  
نویسندگان: ,   
سری: Addison-Wesley Data & Analytics Series 
ISBN (شابک) : 0135172489, 9780135172483 
ناشر: Addison-Wesley Professional 
سال نشر: 2019 
تعداد صفحات: 416
[656] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 Mb 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Foundations of Deep Reinforcement Learning: Theory and Practice in Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مبانی یادگیری تقویت عمیق: نظریه و عمل در پایتون

مقدمه معاصر بر یادگیری تقویتی عمیق که تئوری و عمل را ترکیب می کند

یادگیری تقویتی عمیق (RL) ترکیبی از یادگیری عمیق و یادگیری تقویتی است که در آن عوامل مصنوعی حل تصمیم گیری متوالی را یاد می گیرند. چالش ها و مسائل. در دهه گذشته deep RL به نتایج قابل توجهی در مورد طیف وسیعی از مشکلات دست یافته است، از بازی های تک نفره و چند نفره - مانند بازی های Go، Atari و DotA 2 - گرفته تا روباتیک.

مبانی Deep Reinforcement Learning مقدمه ای بر RL عمیق است که به طور منحصربفردی هم تئوری و هم اجرا را با هم ترکیب می کند. با شهود شروع می‌شود، سپس نظریه الگوریتم‌های RL عمیق را به دقت توضیح می‌دهد، پیاده‌سازی‌ها را در کتابخانه نرم‌افزار همراه خود SLM Lab مورد بحث قرار می‌دهد و با جزئیات عملی به کار بردن RL عمیق پایان می‌دهد.
این راهنما هم برای دانشجویان علوم کامپیوتر و هم برای مهندسان نرم افزار که با مفاهیم اولیه یادگیری ماشین آشنا هستند و درک درستی از Python دارند ایده آل است.
  • درک هر جنبه کلیدی مشکل RL عمیق
  • کاوش در الگوریتم‌های مبتنی بر خط‌مشی و ارزش، از جمله REINFORCE، SARSA، DQN، Double DQN و تکرار تجربه اولویت‌دار (PER)</ li>
  • کاوش در الگوریتم های ترکیبی، از جمله Actor-Critic و Proximal Policy Optimization (PPO)
  • درک نحوه موازی سازی الگوریتم ها به صورت همزمان و ناهمزمان
  • اجرای الگوریتم ها در آزمایشگاه SLM و جزئیات پیاده سازی عملی برای به کار انداختن RL عمیق را بیاموزید
  • نتایج معیار الگوریتم را با فراپارامترهای تنظیم شده کاوش کنید
  • درک نحوه طراحی محیط های عمیق RL
کتاب خود را برای دسترسی راحت به بارگیری‌ها، به‌روزرسانی‌ها و/یا اصلاحات به محض دردسترس شدن، ثبت کنید. برای جزئیات به داخل کتاب مراجعه کنید.

توضیحاتی درمورد کتاب به خارجی

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 games—such as Go, Atari games, and DotA 2—to 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.


فهرست مطالب

Title Page
Contents
Preface
Acknowledgements
About the Authors
Chapter 1. Introduction
	1.1 Reinforcement Learning
	1.2 Reinforcement Learning as MDP
	1.3 Learnable Functions in Reinforcement Learning
	1.4 Deep Reinforcement Learning Algorithms
	1.5 Deep Learning for Reinforcement Learning
	1.6 Reinforcement Learning and Supervised Learning
	1.7 Summary
Part I: Policy-based & Value-based Algorithms
	Chapter 2. Reinforce
		2.1 Policy
		2.2 The Objective Function
		2.3 The Policy Gradient
		2.4 Monte Carlo Sampling
		2.5 REINFORCE Algorithm
		2.6 Implementing REINFORCE
		2.7 Training a REINFORCE Agent
		2.8 Experimental Results
		2.9 Summary
		2.10 Further Reading
		2.11 History
	Chapter 3. SARSA
		3.1 The Q and V Functions
		3.2 Temporal Difference Learning
		3.3 Action Selection in SARSA
		3.4 SARSA Algorithm
		3.5 Implementing SARSA
		3.6 Training a SARSA Agent
		3.7 Experimental Results
		3.8 Summary
		3.9 Further Reading
		3.10 History
	Chapter 4. Deep Q-Networks (DQN)
		4.1 Learning the Q-function in DQN
		4.2 Action Selection in DQN
		4.3 Experience Replay
		4.4 DQN Algorithm
		4.5 Implementing DQN
		4.6 Training a DQN Agent
		4.7 Experimental Results
		4.8 Summary
		4.9 Further Reading
		4.10 History
	Chapter 5. Improving DQN
		5.1 Target Networks
		5.2 Double DQN
		5.3 Prioritized Experience Replay (PER)
		5.4 Modified DQN Implementation
		5.5 Training a DQN Agent to Play Atari Games
		5.6 Experimental Results
		5.7 Summary
		5.8 Further Reading
Part II: Combined methods
	Chapter 6. Advantage Actor-Critic (A2C)
		6.1 The Actor
		6.2 The Critic
		6.3 A2C Algorithm
		6.4 Implementing A2C
		6.5 Network Architecture
		6.6 Training an A2C Agent
		6.7 Experimental Results
		6.8 Summary
		6.9 Further Reading
		6.10 History
	Chapter 7. Proximal Policy Optimization (PPO)
		7.1 Surrogate Objective
		7.2 Proximal Policy Optimization (PPO)
		7.3 PPO Algorithm
		7.4 Implementing PPO
		7.5 Training a PPO Agent
		7.6 Experimental Results
		7.7 Summary
		7.8 Further Reading
	Chapter 8. Parallelization Methods
		8.1 Synchronous Parallelization
		8.2 Asynchronous Parallelization
		8.3 Training an A3C Agent
		8.4 Summary
		8.5 Further Reading
	Chapter 9. Algorithm Summary
Part III: Practical Tips
	Chapter 10. Getting Deep RL to Work
		10.1 Software Engineering Practices
		10.2 Debugging Tips
		10.3 Atari Tricks
		10.4 Deep RL Almanac
		10.5 Summary
	Chapter 11. SLM Lab
		11.1 Implemented Algorithms in SLM Lab
		11.2 Spec File
		11.3 Running SLM Lab
		11.4 Analyzing Experiment Results
		11.5 Summary
	Chapter 12. Network architectures
		12.1 Types of Neural Network
		12.2 Guidelines For Choosing a Network Family
		12.3 The Net API
		12.4 Summary
		12.5 Further Reading
	Chapter 13. Hardware
		13.1 Computer
		13.2 Information In Hardware
		13.3 Choosing Hardware
		13.4 Summary
	Chapter 14. Environment Design
		14.1 States
		14.2 Actions
		14.3 Rewards
		14.4 Transition Function
		14.5 Summary
		14.6 Further Reading: Action Design in Everyday Things
Epilogue
Appendix A. Deep Reinforcement Learning Timeline
Appendix B. Example Environments
	B.1 Discrete Environments
	B.2 Continuous Environments
Bibliography




نظرات کاربران