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: Balakrishnan. Kaushik
سری:
ISBN (شابک) : 9781789533583, 1789533589
ناشر: Packt Publishing
سال نشر: 2019
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و به کارگیری عوامل هوشمند و خودآموزی با استفاده از پایتون شروع به کار کنید: هوش مصنوعی، شبکه های عصبی (علوم کامپیوتر)، پایتون (زبان برنامه کامپیوتری)، یادگیری تقویتی، تنسورفلو
در صورت تبدیل فایل کتاب TensorFlow reinforcement learning quick start guide: get up and running with training and deploying intelligent, self-learning agents using Python 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 راهنمای شروع سریع یادگیری تقویتی TensorFlow: با آموزش و به کارگیری عوامل هوشمند و خودآموزی با استفاده از پایتون شروع به کار کنید 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.
از قدرت Tensorflow برای ایجاد عوامل نرم افزاری قدرتمندی استفاده کنید که می توانند برای انجام وظایف واقعی خود یاد بگیرند
ویژگی های کلیدی
کتاب توضیحات
پیشرفت در الگوریتم های یادگیری تقویتی امکان استفاده از آنها را برای کنترل بهینه در چندین کاربرد مختلف صنعتی فراهم کرده است. با این کتاب، یادگیری تقویتی را برای طیف وسیعی از مشکلات، از بازیهای رایانهای گرفته تا رانندگی خودکار، اعمال خواهید کرد.
این کتاب با معرفی مفاهیم ضروری یادگیری تقویتی مانند عوامل، محیطها، پاداشها و عملکردهای مزیت آغاز میشود. شما همچنین به تمایز بین الگوریتم های درون خط مشی و خارج از خط مشی و همچنین بدون مدل و... تسلط خواهید داشت.
Leverage the power of Tensorflow to Create powerful software agents that can self-learn to perform real-world tasks
Key Features
Book Description
Advances in reinforcement learning algorithms have made it possible to use them for optimal control in several different industrial applications. With this book, you will apply Reinforcement Learning to a range of problems, from computer games to autonomous driving.
The book starts by introducing you to essential Reinforcement Learning concepts such as agents, environments, rewards, and advantage functions. You will also master the distinctions between on-policy and off-policy algorithms, as well as model-free and...
Table of ContentsUp and Running with Reinforcement Learning Temporal Difference, SARSA, and Q-LearningDeep Q-Network Double DQN, Dueling Architectures, and RainbowDeep Deterministic Policy GradientAsynchronous Methods - A3C and A2CTrust Region Policy Optimization and Proximal Policy OptimizationDeep RL Applied to Autonomous Driving