درک عمیق یادگیری تقویتی عمیق ۲۰۲۰
Grokking Deep Reinforcement Learning 2020

یادگیری عمیق تقویتی با درک عمیق با استفاده از تمرین‌های جذاب، به شما می‌آموزد چگونه سیستم‌های یادگیری عمیق بسازید. این کتاب، کد پایتون تفسیر شده را با توضیحات شهودی ترکیب می‌کند تا تکنیک‌های DRL را بررسی کند. شما خواهید دید که الگوریتم‌ها چگونه کار می‌کنند و یاد می‌گیرید که چگونه عوامل DRL خود را با استفاده از بازخورد ارزیابی‌کننده توسعه دهید.خلاصه

همه ما از طریق آزمون و خطا یاد می‌گیریم. از چیزهایی که باعث تجربه درد و شکست می‌شوند، اجتناب می‌کنیم. چیزهایی را که باعث پاداش و موفقیت ما می‌شوند، در آغوش می‌گیریم و بر اساس آن‌ها می‌سازیم. این الگوی رایج، پایه و اساس یادگیری عمیق تقویتی است: ساخت سیستم‌های یادگیری ماشینی که بر اساس پاسخ‌های محیط، به کاوش و یادگیری می‌پردازند. یادگیری عمیق تقویتی با درک عمیق این رویکرد قدرتمند یادگیری ماشینی را با استفاده از مثال‌ها، تصاویر، تمرین‌ها و آموزش بسیار شفاف معرفی می‌کند. از آموزش گام‌به‌گام و سبک نگارش هوشمندانه و جذاب آن لذت خواهید برد، زیرا به این کاوش فوق‌العاده در مورد مبانی یادگیری تقویتی، تکنیک‌های موثر یادگیری عمیق و کاربردهای عملی در این زمینه نوظهور می‌پردازید.

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

درباره فناوری

ما با تعامل با محیط خود یاد می‌گیریم و پاداش‌ها یا تنبیه‌هایی که تجربه می‌کنیم، رفتار آینده ما را هدایت می‌کنند. یادگیری عمیق تقویتی همین فرآیند طبیعی را به هوش مصنوعی می‌آورد و نتایج را تجزیه و تحلیل می‌کند تا کارآمدترین راه‌ها را برای پیشرفت کشف کند. عوامل DRL می‌توانند کمپین‌های بازاریابی را بهبود بخشند، عملکرد سهام را پیش‌بینی کنند و استادان بزرگ را در بازی‌های Go و شطرنج شکست دهند.

درباره کتاب

یادگیری عمیق تقویتی با درک عمیق با استفاده از تمرین‌های جذاب، به شما می‌آموزد چگونه سیستم‌های یادگیری عمیق بسازید. این کتاب، کد پایتون تفسیر شده را با توضیحات شهودی ترکیب می‌کند تا تکنیک‌های DRL را بررسی کند. شما خواهید دید که الگوریتم‌ها چگونه کار می‌کنند و یاد می‌گیرید که چگونه عوامل DRL خود را با استفاده از بازخورد ارزیابی‌کننده توسعه دهید.

آنچه در داخل خواهید یافت

مقدمه‌ای بر یادگیری تقویتی
عوامل DRL با رفتارهای شبیه به انسان
به کارگیری DRL در موقعیت‌های پیچیده

درباره خواننده

برای توسعه‌دهندگان با تجربه پایه در یادگیری عمیق.

درباره نویسنده

میگل مورالس در لاکهید مارتین بر روی یادگیری تقویتی کار می‌کند و مدرس دوره یادگیری تقویتی و تصمیم‌گیری در موسسه فناوری جورجیا است.

فهرست مطالب

1 مقدمه‌ای بر یادگیری عمیق تقویتی

2 مبانی ریاضیاتی یادگیری تقویتی

3 ایجاد تعادل بین اهداف فوری و بلندمدت

4 ایجاد تعادل بین جمع‌آوری و استفاده از اطلاعات

5 ارزیابی رفتارهای عوامل

6 بهبود رفتارهای عوامل

7 دستیابی موثرتر و کارآمدتر به اهداف

8 مقدمه‌ای بر یادگیری عمیق تقویتی مبتنی بر ارزش

9 روش‌های پایدارتر مبتنی بر ارزش

10 روش‌های مبتنی بر ارزش با نمونه‌گیری کارآمد

11 روش‌های گرادیان سیاست و بازیگر-منتقد

12 روش‌های پیشرفته بازیگر-منتقد

13 به سوی هوش مصنوعی عمومی

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