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: Phil Winder Ph.D.
سری:
ISBN (شابک) : 1098114833, 9781098114831
ناشر: O'Reilly Media, Inc, USA
سال نشر: 2020
تعداد صفحات: 350
[408]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 19 Mb
در صورت تبدیل فایل کتاب Reinforcement Learning: Industrial Applications of Intelligent Agents 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 یادگیری تقویتی: کاربردهای صنعتی عوامل هوشمند 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 (RL) یکی از بزرگترین پیشرفتها در هوش مصنوعی را در دهه آینده به ارمغان میآورد و الگوریتمها را قادر میسازد از محیط خود برای دستیابی به اهداف دلخواه بیاموزند. این توسعه هیجان انگیز از محدودیت های موجود در الگوریتم های یادگیری ماشین سنتی (ML) جلوگیری می کند. این کتاب عملی به متخصصان علوم داده و هوش مصنوعی نشان می دهد که چگونه با تقویت یاد بگیرند و ماشین را قادر به یادگیری به تنهایی کنند. نویسنده فیل ویندر از تحقیقات ویندر همه چیز را از بلوک های ساختمانی اولیه گرفته تا شیوه های پیشرفته پوشش می دهد. شما وضعیت فعلی RL را بررسی خواهید کرد، بر برنامه های صنعتی تمرکز خواهید کرد، الگوریتم های متعددی را یاد خواهید گرفت و از فصل های اختصاصی در به کارگیری راه حل های RL برای تولید بهره مند خواهید شد. این کتاب آشپزی نیست. از ریاضی ابایی ندارد و انتظار آشنایی با ML را دارد. بیاموزید RL چیست و چگونه الگوریتمها به حل مسائل کمک میکنند. مبتنی بر اصول RL از جمله فرآیندهای تصمیمگیری مارکوف، برنامهنویسی پویا، و یادگیری تفاوتهای زمانی عمیق در طیف وسیعی از روشهای گرادیان ارزش و خطمشی به کارگیری راهحلهای پیشرفته RL مانند فرا یادگیری، یادگیری سلسله مراتبی یادگیری چند عاملی و تقلیدی درک الگوریتم های پیشرفته RL عمیق از جمله Rainbow، PPO، TD3، SAC، و موارد دیگر دریافت نمونه های عملی از طریق وب سایت همراه
Reinforcement learning (RL) will deliver one of the biggest breakthroughs in AI over the next decade, enabling algorithms to learn from their environment to achieve arbitrary goals. This exciting development avoids constraints found in traditional machine learning (ML) algorithms. This practical book shows data science and AI professionals how to learn by reinforcement and enable a machine to learn by itself. Author Phil Winder of Winder Research covers everything from basic building blocks to state-of-the-art practices. You'll explore the current state of RL, focus on industrial applications, learn numerous algorithms, and benefit from dedicated chapters on deploying RL solutions to production. This is no cookbook; doesn't shy away from math and expects familiarity with ML. Learn what RL is and how the algorithms help solve problems Become grounded in RL fundamentals including Markov decision processes, dynamic programming, and temporal difference learning Dive deep into a range of value and policy gradient methods Apply advanced RL solutions such as meta learning, hierarchical learning, multi-agent, and imitation learning Understand cutting-edge deep RL algorithms including Rainbow, PPO, TD3, SAC, and more Get practical examples through the accompanying website