مشخصات کتاب

Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Nazia Habib  
سری:  
ISBN (شابک) : 1789345804, 9781789345803 
ناشر: Packt Publishing 
سال نشر: 2019 
تعداد صفحات: 200 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

کلمات کلیدی مربوط به کتاب آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow: هوش مصنوعی، یادگیری ماشین، پایتون

در صورت تبدیل فایل کتاب Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow 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 آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow 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 آموزش عملی Q با پایتون: یادگیری Q عملی با OpenAI Gym، Keras و TensorFlow

ویژگی های کلیدی\r\nاستفاده از یادگیری Q برای آموزش مدل‌های یادگیری عمیق با استفاده از فرآیندهای تصمیم مارکوف (MDPs) مطالعه یادگیری تقویتی عمیق عملی با استفاده از شبکه‌های Q عمیق کاوش یادگیری بدون نظارت مبتنی بر حالت برای مدل‌های یادگیری ماشینی یادگیری Q یک الگوریتم یادگیری ماشینی است که برای حل مسائل بهینه‌سازی استفاده می‌شود. 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.\r\n\r\nچند فصل در این کتاب، بینش‌هایی در مورد یادگیری Q بدون مدل به دست خواهید آورد و از شبکه‌های Q عمیق و شبکه‌های Q دوگانه عمیق برای حل مسائل پیچیده استفاده می‌کنید. 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.\r\n\r\nدر 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.\r\n\r\nآنچه یاد خواهید گرفت اصول یادگیری تقویتی و فرآیند حالت-اقدام-پاداش را کاوش کنید درک فرآیندهای تصمیم مارکوف آشنایی کامل با کتابخانه هایی مانند Keras و TensorFlow ایجاد و استقرار یادگیری بدون مدل و عوامل یادگیری عمیق Q با TensorFlow، Keras ، و OpenAI Gym پارامترهای یادگیری شبکه Q را انتخاب و بهینه کنید و عملکرد آن را به دقت تنظیم کنید برنامه های کاربردی دنیای واقعی را کشف کنید و از موارد یادگیری Q-learning استفاده کنید اگر توسعه دهنده، مهندس یا حرفه ای یادگیری ماشین هستید و می خواهید به عمق آن بپردازید. رویکرد یادگیری 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.

توضیحاتی درمورد کتاب به خارجی

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.

فهرست مطالب

Brushing Up on Reinforcement Learning Concepts
Getting Started with the Q-Learning Algorithm
Setting Up Your First Environment with OpenAI Gym
Teaching a Smartcab to Drive Using Q-Learning
Building Q-Networks with TensorFlow
Digging Deeper into Deep Q-Networks with Keras and TensorFlow
Decoupling Exploration and Exploitation in Multi-Armed Bandits
Further Q-Learning Research and Future Projects Assessments

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Natural Language Processing for Prolog Programmers + Revision 2009

دانلود کتاب Human Recognition in Unconstrained Environments: Using Computer Vision, Pattern Recognition and Machine Learning Methods for Biometrics

دانلود کتاب Artificial Intelligence in Covid-19

دانلود کتاب 人工智能简史

دانلود کتاب Weka - Waikato Environment for Knowledge Analysis - программное обеспечение для анализа данных

دانلود کتاب Structural information approaches to tracking in video sequences

دانلود کتاب Neural Computation and Self-organizing Maps

دانلود کتاب Modeling Legal Arguments: Reasoning with Cases and Hypotheticals (Artificial Intelligence and Legal Reasoning)

دانلود کتاب Algoritmos genéticos

دانلود کتاب Fighting Churn with Data