لایب سان

Grokking Deep Reinforcement Learning uses engaging exercises to teach you how to build deep learning systems. This book combines annotated Python code with intuitive explanations to explore DRL techniques. You’ll see how algorithms function and learn to develop your own DRL agents using evaluative feedback.

Summary
We all learn through trial and error. We avoid the things that cause us to experience pain and failure. We embrace and build on the things that give us reward and success. This common pattern is the foundation of deep reinforcement learning: building machine learning systems that explore and learn based on the responses of the environment. Grokking Deep Reinforcement Learning introduces this powerful machine learning approach, using examples, illustrations, exercises, and crystal-clear teaching. You'll love the perfectly paced teaching and the clever, engaging writing style as you dig into this awesome exploration of reinforcement learning fundamentals, effective deep learning techniques, and practical applications in this emerging field.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
We learn by interacting with our environment, and the rewards or punishments we experience guide our future behavior. Deep reinforcement learning brings that same natural process to artificial intelligence, analyzing results to uncover the most efficient ways forward. DRL agents can improve marketing campaigns, predict stock performance, and beat grand masters in Go and chess.

About the book
Grokking Deep Reinforcement Learning uses engaging exercises to teach you how to build deep learning systems. This book combines annotated Python code with intuitive explanations to explore DRL techniques. You’ll see how algorithms function and learn to develop your own DRL agents using evaluative feedback.

What's inside
    An introduction to reinforcement learning
    DRL agents with human-like behaviors
    Applying DRL to complex situations

About the reader
For developers with basic deep learning experience.

About the author
Miguel Morales works on reinforcement learning at Lockheed Martin and is an instructor for the Georgia Institute of Technology’s Reinforcement Learning and Decision Making course.

Table of Contents

1 Introduction to deep reinforcement learning

2 Mathematical foundations of reinforcement learning

3 Balancing immediate and long-term goals

4 Balancing the gathering and use of information

5 Evaluating agents’ behaviors

6 Improving agents’ behaviors

7 Achieving goals more effectively and efficiently

8 Introduction to value-based deep reinforcement learning

9 More stable value-based methods

10 Sample-efficient value-based methods

11 Policy-gradient and actor-critic methods

12 Advanced actor-critic methods

13 Toward artificial general intelligence

چکیده فارسی

آموزش تقویت عمیق Grokking از تمرین‌های جذاب برای آموزش نحوه ساختن سیستم‌های یادگیری عمیق استفاده می‌کند. این کتاب کدهای حاشیه نویسی پایتون را با توضیحات بصری ترکیب می کند تا تکنیک های DRL را بررسی کند. نحوه عملکرد الگوریتم‌ها را خواهید دید و یاد خواهید گرفت که با استفاده از بازخورد ارزیابی، عوامل DRL خود را توسعه دهید.

خلاصه
همه ما از طریق آزمون و خطا یاد می گیریم. ما از چیزهایی که باعث رنج و شکست ما می شود اجتناب می کنیم. ما چیزهایی را که به ما پاداش و موفقیت می‌دهند، در آغوش می‌گیریم و روی آن‌ها بنا می‌کنیم. این الگوی رایج پایه و اساس یادگیری تقویتی عمیق است: ساختن سیستم های یادگیری ماشینی که بر اساس پاسخ های محیط کاوش و یاد می گیرند. Grokking Deep Reinforcement Learning این رویکرد یادگیری ماشینی قدرتمند را با استفاده از مثال‌ها، تصاویر، تمرین‌ها و آموزش شفاف معرفی می‌کند. هنگامی که در این کاوش شگفت انگیز در زمینه اصول یادگیری تقویتی، تکنیک های یادگیری عمیق موثر و کاربردهای عملی در این زمینه نوظهور جستجو می کنید، آموزش با سرعت عالی و سبک نوشتاری هوشمندانه و جذاب را دوست خواهید داشت.

خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات منینگ است.

درباره فناوری
ما از طریق تعامل با محیط خود یاد می گیریم و پاداش ها یا تنبیه هایی که تجربه می کنیم رفتار آینده ما را هدایت می کند. یادگیری تقویتی عمیق همان فرآیند طبیعی را به هوش مصنوعی می آورد و نتایج را تجزیه و تحلیل می کند تا کارآمدترین راه ها را کشف کند. نمایندگان DRL می‌توانند کمپین‌های بازاریابی را بهبود بخشند، عملکرد سهام را پیش‌بینی کنند، و استادان بزرگ را در Go and chess شکست دهند.

درباره کتاب
آموزش تقویت عمیق Grokking از تمرین های جذاب برای آموزش نحوه ساخت سیستم های یادگیری عمیق استفاده می کند. این کتاب کدهای حاشیه نویسی پایتون را با توضیحات بصری ترکیب می کند تا تکنیک های DRL را بررسی کند. نحوه عملکرد الگوریتم‌ها را خواهید دید و یاد خواهید گرفت که با استفاده از بازخورد ارزیابی، عوامل DRL خود را توسعه دهید.

داخلش چیه
مقدمه ای بر یادگیری تقویتی
عوامل DRL با رفتارهای انسان مانند
استفاده از DRL در موقعیت های پیچیده

درباره خواننده
برای توسعه دهندگان با تجربه یادگیری عمیق اولیه.

درباره نویسنده
میگل مورالس روی یادگیری تقویتی در لاکهید مارتین کار می کند و مدرس دوره آموزشی تقویتی و تصمیم گیری موسسه فناوری جورجیا است.

فهرست مطالب

1 مقدمه ای بر یادگیری تقویتی عمیق

2 مبانی ریاضی یادگیری تقویتی

3 ایجاد تعادل بین اهداف فوری و بلند مدت

4 ایجاد تعادل بین جمع آوری و استفاده از اطلاعات

5 ارزیابی رفتارهای عاملان

6 بهبود رفتار نمایندگان

7 دستیابی به اهداف موثرتر و کارآمدتر

8 مقدمه ای بر یادگیری تقویتی عمیق مبتنی بر ارزش

9 روش های مبتنی بر ارزش پایدارتر

10 روش مبتنی بر ارزش نمونه کارآمد

11 روش های گرادیان خط مشی و کنشگر-نقد

12 روش های پیشرفته منتقد بازیگر

13 به سوی هوش عمومی مصنوعی