ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب The Art of Reinforcement Learning: Fundamentals, Mathematics, and Implementations with Python

دانلود کتاب هنر تقویت یادگیری: مبانی، ریاضیات و پیاده سازی با پایتون

The Art of Reinforcement Learning: Fundamentals, Mathematics, and Implementations with Python

مشخصات کتاب

The Art of Reinforcement Learning: Fundamentals, Mathematics, and Implementations with Python

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781484296066, 9781484296059 
ناشر: Apress 
سال نشر: 2023 
تعداد صفحات: 290 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 19 Mb 

قیمت کتاب (تومان) : 37,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 1


در صورت تبدیل فایل کتاب The Art of Reinforcement Learning: Fundamentals, Mathematics, and Implementations with 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 هنر تقویت یادگیری: مبانی، ریاضیات و پیاده سازی با 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.


توضیحاتی در مورد کتاب هنر تقویت یادگیری: مبانی، ریاضیات و پیاده سازی با پایتون




توضیحاتی درمورد کتاب به خارجی

Unlock the full potential of reinforcement learning (RL), a crucial subfield of Artificial Intelligence, with this comprehensive guide. This book provides a deep dive into RL's core concepts, mathematics, and practical algorithms, helping you to develop a thorough understanding of this cutting-edge technology. Beginning with an overview of fundamental concepts such as Markov decision processes, dynamic programming, Monte Carlo methods, and temporal difference learning, this book uses clear and concise examples to explain the basics of RL theory. The following section covers value function approximation, a critical technique in RL, and explores various policy approximations such as policy gradient methods and advanced algorithms like Proximal Policy Optimization (PPO). This book also delves into advanced topics, including distributed reinforcement learning, curiosity-driven exploration, and the famous AlphaZero algorithm, providing readers with a detailed account of these cutting-edge techniques. With a focus on explaining algorithms and the intuition behind them, The Art of Reinforcement Learning includes practical source code examples that you can use to implement RL algorithms. Upon completing this book, you will have a deep understanding of the concepts, mathematics, and algorithms behind reinforcement learning, making it an essential resource for AI practitioners, researchers, and students. What You Will Learn Grasp fundamental concepts and distinguishing features of reinforcement learning, including how it differs from other AI and non-interactive machine learning approaches Model problems as Markov decision processes, and how to evaluate and optimize policies using dynamic programming, Monte Carlo methods, and temporal difference learning Utilize techniques for approximating value functions and policies, including linear and nonlinear value function approximation and policy gradient methods Understand the architecture and advantages of distributed reinforcement learning Master the concept of curiosity-driven exploration and how it can be leveraged to improve reinforcement learning agents Explore the AlphaZero algorithm and how it was able to beat professional Go players Who This Book Is For Machine learning engineers, data scientists, software engineers, and developers who want to incorporate reinforcement learning algorithms into their projects and applications.



فهرست مطالب

Cover
Front Matter
Part I. Foundation
   1. Introduction
   2. Markov Decision Processes
   3. Dynamic Programming
   4. Monte Carlo Methods
   5. Temporal Difference Learning
Part II. Value Function Approximation
   6. Linear Value Function Approximation
   7. Nonlinear Value Function Approximation
   8. Improvements to DQN
Part III. Policy Approximation
   9. Policy Gradient Methods
   10. Problems with Continuous Action Space
   11. Advanced Policy Gradient Methods
Part IV. Advanced Topics
   12. Distributed Reinforcement Learning
   13. Curiosity-Driven Exploration
   14. Planning with a Model: AlphaZero
Back Matter




نظرات کاربران