
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
وارد دنیای الگوریتمهای یادگیری تقویتی شوید و با پایتون آنها را در کاربردهای مختلف به کار ببرید. این کتاب موضوعات مهمی مثل گرادیان سیاست و یادگیری Q را پوشش میدهد و از چارچوبهایی مانند Tensorflow، Keras و OpenAI Gym استفاده میکند. یادگیری تقویتی کاربردی با پایتون شما را با نظریه پشت الگوریتمهای یادگیری تقویتی (RL) و کدی که برای پیادهسازی آنها به کار میرود آشنا میکند. با راهنمایی، ویژگیهای OpenAI Gym را مرور میکنید؛ از بهکارگیری کتابخانههای استاندارد تا ساخت محیطهای خودتان. بعد میآموزید چطور مسائل یادگیری تقویتی را طوری صورتبندی کنید که بتوانید راهحلهای مبتنی بر RL را پژوهش، توسعه و استقرار دهید.
آنچه یاد میگیرید
پیادهسازی یادگیری تقویتی با پایتون
کار با چارچوبهای هوش مصنوعی مانند OpenAI Gym، Tensorflow و Keras
استقرار و آموزش راهحلهای مبتنی بر یادگیری تقویتی از طریق منابع ابری
بهکارگیری کاربردهای عملی یادگیری تقویتی
این کتاب برای چه کسانی است
دانشمندان داده، مهندسان یادگیری ماشین و مهندسان نرمافزاری که با مفاهیم یادگیری ماشین و یادگیری عمیق آشنا هستند.
مقدمه؛ فهرست مطالب؛ درباره نویسنده؛ درباره بازبین فنی؛ سپاسگزاریها؛ مقدمه؛ فصل ۱: آشنایی با یادگیری تقویتی؛ تاریخچه یادگیری تقویتی؛ MDPها و ارتباطشان با یادگیری تقویتی؛ الگوریتمهای یادگیری تقویتی و چارچوبهای RL؛ یادگیری Q؛ مدلهای Actor-Critic؛ کاربردهای یادگیری تقویتی؛ مسائل کلاسیک کنترل؛ سوپر ماریو برادرز؛ Doom؛ بازارسازی مبتنی بر یادگیری تقویتی؛ سونیک خارپشت؛ نتیجهگیری؛ فصل ۲: الگوریتمهای یادگیری تقویتی؛ OpenAI Gym؛ یادگیری مبتنی بر سیاست
Delve into the world of reinforcement learning algorithms and apply them to different use-cases via Python. This book covers important topics such as policy gradients and Q learning, and utilizes frameworks such as Tensorflow, Keras, and OpenAI Gym. Applied Reinforcement Learning with Python introduces you to the theory behind reinforcement learning (RL) algorithms and the code that will be used to implement them. You will take a guided tour through features of OpenAI Gym, from utilizing standard libraries to creating your own environments, then discover how to frame reinforcement learning problems so you can research, develop, and deploy RL-based solutions. What You'll Learn Implement reinforcement learning with Python Work with AI frameworks such as OpenAI Gym, Tensorflow, and Keras Deploy and train reinforcement learning-based solutions via cloud resources Apply practical applications of reinforcement learning Who This Book Is For Data scientists, machine learning engineers and software engineers familiar with machine learning and deep learning concepts.;Intro; Table of Contents; About the Author; About the Technical Reviewer; Acknowledgments; Introduction; Chapter 1: Introduction to Reinforcement Learning; History of Reinforcement Learning; MDPs and their Relation to Reinforcement Learning; Reinforcement Learning Algorithms and RL Frameworks; Q Learning; Actor-Critic Models; Applications of Reinforcement Learning; Classic Control Problems; Super Mario Bros.; Doom; Reinforcement-Based Marketing Making; Sonic the Hedgehog; Conclusion; Chapter 2: Reinforcement Learning Algorithms; OpenAI Gym; Policy-Based Learning