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:
نویسندگان: Yuxi (Hayden) Liu
سری:
ISBN (شابک) : 9781838553234
ناشر: Packt
سال نشر: 2019
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
در صورت تبدیل فایل کتاب PyTorch 1.x Reinforcement Learning Cookbook 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 کتاب آشپزی آموزش تقویتی PyTorch 1.x 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.
پیادهسازی تکنیکها و الگوریتمهای یادگیری تقویتی با کمک مثالها و دستور العملهای واقعی ویژگیهای کلیدی از PyTorch 1.x برای طراحی و ساخت مدلهای هوش مصنوعی (AI) خودآموز استفاده کنید. الگوریتمهای RL را برای حل چالشهای کنترل و بهینهسازی که دانشمندان داده با آن مواجه هستند، امروز به کار ببرید. کتابخانه ها برای شبیه سازی یک محیط کنترل شده برای پروژه های شما شرح کتاب آموزش تقویتی (RL) شاخه ای از یادگیری ماشینی است که در زمان های اخیر محبوبیت پیدا کرده است. این به شما امکان می دهد مدل های هوش مصنوعی را آموزش دهید که از اقدامات خود درس می گیرند و رفتار خود را بهینه می کنند. PyTorch همچنین به دلیل کارایی و سهولت استفاده به عنوان ابزار ترجیحی برای آموزش مدلهای RL ظاهر شده است. با این کتاب، مفاهیم مهم RL و پیاده سازی الگوریتم ها در PyTorch 1.x را بررسی خواهید کرد. دستور العمل های موجود در کتاب، همراه با مثال های دنیای واقعی، به شما کمک می کند تا بر تکنیک های مختلف RL، مانند برنامه نویسی پویا، شبیه سازی مونت کارلو، تفاوت زمانی و یادگیری Q تسلط پیدا کنید. همچنین بینش هایی در مورد کاربردهای خاص صنعت این تکنیک ها به دست خواهید آورد. فصل های بعدی شما را از طریق حل مسائلی مانند مسئله راهزن چند بازویی و مسئله کارتپل با استفاده از الگوریتم راهزن چند بازویی و تقریب تابع راهنمایی می کنند. همچنین یاد خواهید گرفت که چگونه از Deep Q-Networks برای تکمیل بازیهای Atari و همچنین نحوه اجرای مؤثر شیبهای خط مشی استفاده کنید. در نهایت، متوجه خواهید شد که چگونه تکنیکهای RL برای بلک جک، محیطهای Gridworld، تبلیغات اینترنتی و بازی Flappy Bird اعمال میشوند. در پایان این کتاب، مهارتهای مورد نیاز برای پیادهسازی الگوریتمهای محبوب RL و استفاده از تکنیکهای RL برای حل مسائل دنیای واقعی را خواهید داشت. آنچه یاد خواهید گرفت استفاده از یادگیری Q و الگوریتم state-action-reward-state-action (SARSA) برای حل مسائل مختلف Gridworld ایجاد یک الگوریتم راهزن چند مسلح برای بهینه سازی تبلیغات نمایشی. محیطهای ورزشی OpenAI و سایر مشکلات رایج کنترلی انتخاب و ساخت مدلهای RL، ارزیابی عملکرد آنها، و بهینهسازی و استقرار آنها استفاده از روشهای گرادیان خط مشی برای حل مشکلات پیوسته RL. این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده و محققان هوش مصنوعی است که به دنبال راهحلهای سریع برای مسائل مختلف یادگیری تقویتی این کتاب را مفید خواهد یافت. اگرچه دانش قبلی در مورد مفاهیم یادگیری ماشین مورد نیاز است، تجربه با PyTorch مفید خواهد بود اما ضروری نیست.
Implement reinforcement learning techniques and algorithms with the help of real-world examples and recipes Key FeaturesUse PyTorch 1.x to design and build self-learning artificial intelligence (AI) modelsImplement RL algorithms to solve control and optimization challenges faced by data scientists todayApply modern RL libraries to simulate a controlled environment for your projectsBook Description Reinforcement learning (RL) is a branch of machine learning that has gained popularity in recent times. It allows you to train AI models that learn from their own actions and optimize their behavior. PyTorch has also emerged as the preferred tool for training RL models because of its efficiency and ease of use. With this book, you'll explore the important RL concepts and the implementation of algorithms in PyTorch 1.x. The recipes in the book, along with real-world examples, will help you master various RL techniques, such as dynamic programming, Monte Carlo simulations, temporal difference, and Q-learning. You'll also gain insights into industry-specific applications of these techniques. Later chapters will guide you through solving problems such as the multi-armed bandit problem and the cartpole problem using the multi-armed bandit algorithm and function approximation. You'll also learn how to use Deep Q-Networks to complete Atari games, along with how to effectively implement policy gradients. Finally, you'll discover how RL techniques are applied to Blackjack, Gridworld environments, internet advertising, and the Flappy Bird game. By the end of this book, you'll have developed the skills you need to implement popular RL algorithms and use RL techniques to solve real-world problems. What you will learnUse Q-learning and the state–action–reward–state–action (SARSA) algorithm to solve various Gridworld problemsDevelop a multi-armed bandit algorithm to optimize display advertisingScale up learning and control processes using Deep Q-NetworksSimulate Markov Decision Processes, OpenAI Gym environments, and other common control problemsSelect and build RL models, evaluate their performance, and optimize and deploy themUse policy gradient methods to solve continuous RL problemsWho this book is for Machine learning engineers, data scientists and AI researchers looking for quick solutions to different reinforcement learning problems will find this book useful. Although prior knowledge of machine learning concepts is required, experience with PyTorch will be useful but not necessary.