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
دسته بندی: آمار ریاضی ویرایش: نویسندگان: Sean Saito, Yang Wenzhuo, Rajalingappaa Shanmugamani سری: ناشر: Packt Publishing سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 21 مگابایت
کلمات کلیدی مربوط به کتاب پروژه های یادگیری تقویتی پایتون: علم داده، یادگیری عمیق
در صورت تبدیل فایل کتاب Python Reinforcement Learning Projects 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 پروژه های یادگیری تقویتی 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.
یادگیری تقویتی یکی از مهیج ترین و به سرعت در حال رشدترین زمینه ها در یادگیری ماشین است. این به دلیل بسیاری از الگوریتم های جدید توسعه یافته و نتایج باورنکردنی منتشر شده در سال های اخیر است.\r\n\r\nدر این کتاب، با مفاهیم اصلی RL از جمله یادگیری Q، گرادیان خط مشی، فرآیندهای مونت کارلو و چندین الگوریتم یادگیری تقویتی عمیق آشنا خواهید شد. همانطور که راه خود را از طریق کتاب طی می کنید، روی پروژه هایی با مجموعه داده هایی با روش های مختلف از جمله تصویر، متن و ویدئو کار خواهید کرد. شما در چندین حوزه از جمله بازی، پردازش تصویر و شبیه سازی فیزیکی تجربه کسب خواهید کرد. شما فناوریهایی مانند TensorFlow و OpenAI Gym را برای پیادهسازی الگوریتمهای یادگیری تقویتی یادگیری عمیق که همچنین قیمت سهام را پیشبینی میکند، زبان طبیعی تولید میکند و حتی شبکههای عصبی دیگر میسازد، کاوش خواهید کرد.\r\n\r\nدر پایان این کتاب، شما تجربه عملی با هشت پروژه یادگیری تقویتی خواهید داشت که هر کدام به موضوعات و/یا الگوریتم های مختلف می پردازند. امیدواریم این تمرینهای عملی شهود و بینش بهتری در مورد زمینه یادگیری تقویتی و نحوه اعمال الگوریتمهای آن در مسائل مختلف در زندگی واقعی به شما ارائه دهد.
Reinforcement learning is one of the most exciting and rapidly growing fields in machine learning. This is due to the many novel algorithms developed and incredible results published in recent years. In this book, you will learn about the core concepts of RL including Q-learning, policy gradients, Monte Carlo processes, and several deep reinforcement learning algorithms. As you make your way through the book, you'll work on projects with datasets of various modalities including image, text, and video. You will gain experience in several domains, including gaming, image processing, and physical simulations. You'll explore technologies such as TensorFlow and OpenAI Gym to implement deep learning reinforcement learning algorithms that also predict stock prices, generate natural language, and even build other neural networks. By the end of this book, you will have hands-on experience with eight reinforcement learning projects, each addressing different topics and/or algorithms. We hope these practical exercises will provide you with better intuition and insight about the field of reinforcement learning and how to apply its algorithms to various problems in real life.
1: UP AND RUNNING WITH REINFORCEMENT LEARNING 2: BALANCING CARTPOLE 3: PLAYING ATARI GAMES 4: SIMULATING CONTROL TASKS 5: BUILDING VIRTUAL WORLDS IN MINECRAFT 6: LEARNING TO PLAY GO 7: CREATING A CHATBOT 8: GENERATING A DEEP LEARNING IMAGE CLASSIFIER 9: PREDICTING FUTURE STOCK PRICES 10: LOOKING AHEAD