مشخصات کتاب

Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Andrea Lonza  
سری:  
ISBN (شابک) : 1789131111, 9781789131116 
ناشر: Packt Publishing 
سال نشر: 2019 
تعداد صفحات: 356 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 22 مگابایت 

کلمات کلیدی مربوط به کتاب الگوریتم‌های یادگیری تقویتی با پایتون: الگوریتم‌های هوشمند را بیاموزید، درک کنید و توسعه دهید برای مقابله با چالش‌های هوش مصنوعی: یادگیری ماشینی، یادگیری عمیق، یادگیری تقویتی، پایتون

در صورت تبدیل فایل کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges 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 الگوریتم‌های یادگیری تقویتی با پایتون: الگوریتم‌های هوشمند را بیاموزید، درک کنید و توسعه دهید برای مقابله با چالش‌های هوش مصنوعی 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 الگوریتم‌های یادگیری تقویتی با پایتون: الگوریتم‌های هوشمند را بیاموزید، درک کنید و توسعه دهید برای مقابله با چالش‌های هوش مصنوعی

توسعه الگوریتم ها و عوامل خودآموز با استفاده از TensorFlow و سایر ابزارها، چارچوب ها و کتابخانه های پایتون ویژگی های کلیدی • یادگیری، توسعه، و استقرار الگوریتم های یادگیری تقویتی پیشرفته برای حل انواع وظایف • درک و توسعه الگوریتم های بدون مدل و مبتنی بر مدل برای ساخت عوامل خودآموز • کار با مفاهیم و الگوریتم های تقویتی پیشرفته مانند یادگیری تقلید و استراتژی های تکامل توضیحات کتاب Reinforcement Learning (RL) یک شاخه محبوب و امیدوارکننده از هوش مصنوعی است که شامل ساخت مدل‌ها و عوامل هوشمندتر می‌شود که می‌توانند به طور خودکار رفتار ایده‌آل را بر اساس نیازهای متغیر تعیین کنند. این کتاب به شما کمک می‌کند تا در هنگام ساخت عوامل خودآموز، بر الگوریتم‌های RL تسلط پیدا کنید و پیاده‌سازی آن‌ها را درک کنید. این کتاب با مقدمه‌ای بر ابزارها، کتابخانه‌ها و تنظیمات مورد نیاز برای کار در محیط RL شروع می‌شود، این کتاب بلوک‌های سازنده RL را پوشش می‌دهد و به روش‌های مبتنی بر ارزش، مانند کاربرد الگوریتم‌های Q-learning و SARSA می‌پردازد. شما یاد خواهید گرفت که چگونه از ترکیبی از یادگیری Q و شبکه های عصبی برای حل مسائل پیچیده استفاده کنید. علاوه بر این، قبل از اینکه به الگوریتم‌های قطعی DDPG و TD3 بروید، روش‌های گرادیان خط‌مشی، TRPO و PPO را برای بهبود عملکرد و پایداری مطالعه خواهید کرد. این کتاب همچنین نحوه عملکرد تکنیک های یادگیری تقلید و چگونگی آموزش رانندگی به مامور را پوشش می دهد. شما استراتژی های تکاملی و تکنیک های بهینه سازی جعبه سیاه را کشف خواهید کرد و خواهید دید که چگونه می توانند الگوریتم های RL را بهبود بخشند. در نهایت، شما با رویکردهای اکتشافی مانند UCB و UCB1 آشنا خواهید شد و متاالگوریتمی به نام ESBAS ایجاد خواهید کرد. تا پایان کتاب، شما با الگوریتم‌های کلیدی RL برای غلبه بر چالش‌ها در برنامه‌های کاربردی دنیای واقعی کار کرده‌اید و بخشی از جامعه تحقیقاتی RL خواهید بود. آنچه خواهید آموخت • یک عامل برای بازی CartPole با استفاده از رابط OpenAI Gym ایجاد کنید • الگوی یادگیری تقویتی مبتنی بر مدل را کشف کنید • مشکل دریاچه یخ زده را با برنامه نویسی پویا حل کنید • آموزش Q-learning و SARSA را برای انجام یک بازی تاکسی کاوش کنید • با استفاده از Gym، Deep Q-Networks (DQN) را روی بازی های Atari اعمال کنید • الگوریتم های گرادیان خط مشی، از جمله Actor-Critic و REINFORCE را مطالعه کنید • درک و اعمال PPO و TRPO در محیط های حرکت پیوسته • با استراتژی های تکاملی برای حل مشکل فرودگر قمری کنار بیایید این کتاب برای چه کسی است اگر یک محقق هوش مصنوعی، کاربر یادگیری عمیق، یا هر کسی هستید که می‌خواهد یادگیری تقویتی را از ابتدا بیاموزد، این کتاب برای شما مناسب است. همچنین اگر می‌خواهید در مورد پیشرفت‌های این رشته بیاموزید، این کتاب یادگیری تقویتی برای شما مفید خواهد بود. دانش کاری پایتون ضروری است.

توضیحاتی درمورد کتاب به خارجی

Develop self-learning algorithms and agents using TensorFlow and other Python tools, frameworks, and libraries Key Features • Learn, develop, and deploy advanced reinforcement learning algorithms to solve a variety of tasks • Understand and develop model-free and model-based algorithms for building self-learning agents • Work with advanced Reinforcement Learning concepts and algorithms such as imitation learning and evolution strategies Book Description Reinforcement Learning (RL) is a popular and promising branch of AI that involves making smarter models and agents that can automatically determine ideal behavior based on changing requirements. This book will help you master RL algorithms and understand their implementation as you build self-learning agents. Starting with an introduction to the tools, libraries, and setup needed to work in the RL environment, this book covers the building blocks of RL and delves into value-based methods, such as the application of Q-learning and SARSA algorithms. You'll learn how to use a combination of Q-learning and neural networks to solve complex problems. Furthermore, you'll study the policy gradient methods, TRPO, and PPO, to improve performance and stability, before moving on to the DDPG and TD3 deterministic algorithms. This book also covers how imitation learning techniques work and how Dagger can teach an agent to drive. You'll discover evolutionary strategies and black-box optimization techniques, and see how they can improve RL algorithms. Finally, you'll get to grips with exploration approaches, such as UCB and UCB1, and develop a meta-algorithm called ESBAS. By the end of the book, you'll have worked with key RL algorithms to overcome challenges in real-world applications, and be part of the RL research community. What you will learn • Develop an agent to play CartPole using the OpenAI Gym interface • Discover the model-based reinforcement learning paradigm • Solve the Frozen Lake problem with dynamic programming • Explore Q-learning and SARSA with a view to playing a taxi game • Apply Deep Q-Networks (DQNs) to Atari games using Gym • Study policy gradient algorithms, including Actor-Critic and REINFORCE • Understand and apply PPO and TRPO in continuous locomotion environments • Get to grips with evolution strategies for solving the lunar lander problem Who this book is for If you are an AI researcher, deep learning user, or anyone who wants to learn reinforcement learning from scratch, this book is for you. You'll also find this reinforcement learning book useful if you want to learn about the advancements in the field. Working knowledge of Python is necessary.

فهرست مطالب

1. The Landscape of Reinforcement Learning
2. Implementing RL Cycle and OpenAI Gym
3. Solving Problems with Dynamic Programming
4. Q learning and SARSA Applications
5. Deep Q-Network
6. Learning Stochastic and DDPG optimization
7. TRPO and PPO implementation
8. DDPG and TD3 Applications
9. Model-Based RL
10. Imitation Learning with the DAgger Algorithm
11. Understanding Black-Box Optimization Algorithms
12. Developing the ESBAS Algorithm
13. Practical Implementation for Resolving RL Challenges

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Text mining and visualization : case studies using open-source tools

دانلود کتاب Machine Learning Pocket Reference: Working with Structured Data in Python

دانلود کتاب Routledge Encyclopedia of Translation Technology

دانلود کتاب Reasoning Web. Declarative Artificial Intelligence: 16th International Summer School 2020, Oslo, Norway, June 24–26, 2020, Tutorial Lectures

دانلود کتاب Foundations of Machine Learning

دانلود کتاب Programming Machine Learning: From Coding to Deep Learning

دانلود کتاب GANs in Action: Deep learning with Generative Adversarial Networks

دانلود کتاب The Hundred-Page Machine Learning Book

دانلود کتاب The Definitive ANTLR 4 Reference, 2nd Edition

دانلود کتاب Computational Intelligence in Expensive Optimization Problems