یادگیری عمیق و بازی Go ۲۰۱۹
Deep Learning and the Game of Go 2019

کتاب *یادگیری عمیق و بازی گو* به شما می‌آموزد که چگونه با ساختن یک هوش مصنوعی برای بازی گو، از قدرت یادگیری عمیق در کارهای استدلالی پیچیده استفاده کنید. پس از آشنایی با مبانی ماشین لرنینگ و یادگیری عمیق، از پایتون برای ساخت یک بات استفاده خواهید کرد و سپس قوانین بازی را به آن آموزش خواهید داد.

پیشگفتار: توره گریپل، دیپ‌مایند

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

درباره فناوری

بازی استراتژیک باستانی گو یک مطالعه موردی باورنکردنی برای هوش مصنوعی است. در سال 2016، یک سیستم مبتنی بر یادگیری عمیق با شکست دادن یک قهرمان جهان، دنیای گو را شگفت‌زده کرد. اندکی پس از آن، AlphaGo Zero ارتقا یافته، با استفاده از یادگیری تقویتی عمیق برای تسلط بر بازی، بات اصلی را در هم کوبید. اکنون، شما می‌توانید با ساختن بات گوی خودتان، همین تکنیک‌های یادگیری عمیق را بیاموزید!

درباره کتاب

کتاب *یادگیری عمیق و بازی گو* با آموزش ساختن یک بات برنده گو، یادگیری عمیق را معرفی می‌کند. با پیشرفت، شما تکنیک‌ها و استراتژی‌های آموزشی پیچیده‌تری را با استفاده از کتابخانه یادگیری عمیق پایتون، Keras، به کار خواهید برد. از تماشای تسلط بات خود بر بازی گو لذت خواهید برد و در طول مسیر، کشف خواهید کرد که چگونه مهارت‌های یادگیری عمیق جدید خود را در طیف گسترده‌ای از سناریوهای دیگر به کار ببرید!

آنچه در این کتاب خواهید یافت

* ساخت و آموزش یک هوش مصنوعی بازی خود-بهبود‌دهنده
* ارتقاء سیستم‌های هوش مصنوعی بازی کلاسیک با یادگیری عمیق
* پیاده‌سازی شبکه‌های عصبی برای یادگیری عمیق

درباره خواننده

تنها چیزی که نیاز دارید مهارت‌های اولیه پایتون و ریاضیات در سطح دبیرستان است. نیازی به تجربه قبلی در یادگیری عمیق نیست.

درباره نویسندگان

مکس پومپرلا و کوین فرگوسن متخصصان با تجربه در یادگیری عمیق و ماهر در سیستم‌های توزیع شده و علم داده هستند. مکس و کوین با همکاری یکدیگر، بات متن‌باز BetaGo را ساختند.

فهرست مطالب

بخش 1 – مبانی
1. به سوی یادگیری عمیق: مقدمه‌ای بر یادگیری ماشین
2. گو به عنوان یک مسئله یادگیری ماشین
3. پیاده‌سازی اولین بات گوی شما
بخش 2 – یادگیری ماشین و هوش مصنوعی بازی
4. بازی کردن با جستجوی درختی
5. شروع کار با شبکه‌های عصبی
6. طراحی یک شبکه عصبی برای داده‌های گو
7. یادگیری از داده‌ها: یک بات یادگیری عمیق
8. استقرار بات‌ها در محیط واقعی
9. یادگیری با تمرین: یادگیری تقویتی
10. یادگیری تقویتی با گرادیان‌های سیاست
11. یادگیری تقویتی با روش‌های ارزش
12. یادگیری تقویتی با روش‌های بازیگر-منتقد
بخش 3 – بزرگتر از جمع اجزا
13. AlphaGo: جمع‌بندی همه چیز
14. AlphaGo Zero: ادغام جستجوی درختی با یادگیری تقویتی

Deep Learning and the Game of Go teaches you how to apply the power of deep learning to complex reasoning tasks by building a Go-playing AI. After exposing you to the foundations of machine and deep learning, you’ll use Python to build a bot and then teach it the rules of the game.

Foreword by Thore Graepel, DeepMind

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

About the Technology

The ancient strategy game of Go is an incredible case study for AI. In 2016, a deep learning-based system shocked the Go world by defeating a world champion. Shortly after that, the upgraded AlphaGo Zero crushed the original bot by using deep reinforcement learning to master the game. Now, you can learn those same deep learning techniques by building your own Go bot!

About the Book

Deep Learning and the Game of Go introduces deep learning by teaching you to build a Go-winning bot. As you progress, you’ll apply increasingly complex training techniques and strategies using the Python deep learning library Keras. You’ll enjoy watching your bot master the game of Go, and along the way, you’ll discover how to apply your new deep learning skills to a wide range of other scenarios!

What’s inside

• Build and teach a self-improving game AI
• Enhance classical game AI systems with deep learning
• Implement neural networks for deep learning

About the Reader

All you need are basic Python skills and high school-level math. No deep learning experience required.

About the Author

Max Pumperla and Kevin Ferguson are experienced deep learning specialists skilled in distributed systems and data science. Together, Max and Kevin built the open source bot BetaGo.

Table of Contents

PART 1 – FOUNDATIONS
1. Toward deep learning: a machine-learning introduction
2. Go as a machine-learning problem
3. Implementing your first Go bot

PART 2 – MACHINE LEARNING AND GAME AI

4. Playing games with tree search
5. Getting started with neural networks
6. Designing a neural network for Go data
7. Learning from data: a deep-learning bot
8. Deploying bots in the wild
9. Learning by practice: reinforcement learning
10. Reinforcement learning with policy gradients
11. Reinforcement learning with value methods
12. Reinforcement learning with actor-critic methods

PART 3 – GREATER THAN THE SUM OF ITS PARTS

13. AlphaGo: Bringing it all together
14. AlphaGo Zero: Integrating tree search with reinforcement learning