دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Micheal Lanham
سری:
ISBN (شابک) : 1789138132, 9781789138139
ناشر: Packt Publishing
سال نشر: 2018
تعداد صفحات: 204
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Learn Unity ML-Agents - Fundamentals of Unity Machine Learning 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 Learn Unity ML-Agents - Fundamentals of Unity Machine Learning 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.
عوامل یادگیری ماشین Unity به محققان و توسعهدهندگان اجازه
میدهند بازیها و شبیهسازیهایی را با استفاده از ویرایشگر
Unity ایجاد کنند، که به عنوان محیطی عمل میکند که در آن عوامل
هوشمند میتوانند با روشهای یادگیری ماشین از طریق یک API ساده
برای استفاده Python آموزش ببینند.
این کتاب شما را از مبانی تقویت و یادگیری Q به ساخت عوامل شبکه
Q-عمیق تکراری که در یک اکوسیستم چند عاملی همکاری یا رقابت می
کنند، می برد. شما با اصول یادگیری تقویتی و نحوه اعمال آن در
مسائل شروع خواهید کرد. سپس یاد خواهید گرفت که چگونه با پایتون و
Keras/TensorFlow شبکه های عصبی پیشرفته خودآموز بسازید. از آنجا
به سناریوهای آموزشی پیشرفتهتر میروید که در آن روشهای
نوآورانه بیشتری برای آموزش شبکه خود با مدلهای یادگیری A3C،
تقلید و برنامه درسی خواهید آموخت. در پایان کتاب، یاد خواهید
گرفت که چگونه با ساختن یک اکوسیستم چند عاملی تعاونی و رقابتی،
محیط های پیچیده تر بسازید.
Unity Machine Learning agents allow researchers and developers
to create games and simulations using the Unity Editor, which
serves as an environment where intelligent agents can be
trained with machine learning methods through a simple-to-use
Python API.
This book takes you from the basics of Reinforcement and Q
Learning to building Deep Recurrent Q-Network agents that
cooperate or compete in a multi-agent ecosystem. You will start
with the basics of Reinforcement Learning and how to apply it
to problems. Then you will learn how to build self-learning
advanced neural networks with Python and Keras/TensorFlow. From
there you move o n to more advanced training scenarios where
you will learn further innovative ways to train your network
with A3C, imitation, and curriculum learning models. By the end
of the book, you will have learned how to build more complex
environments by building a cooperative and competitive
multi-agent ecosystem.