پیشنهاد فرادرس

آموزش یادگیری تقویتی با تنسورفلو

دسته بندی ها: هوش مصنوعی ، یادگیری تقویتی (Reinforcement Learning) ، آموزش های Packtpub ، آموزش تنسورفلو (TensorFlow)

برخی از بازی های ساخته شده با هوش مصنوعی مانند بازی AlphaGo، با کمک یک پارادایم یادگیری ماشینی به نام "یادگیری تقویتی" (RL) ساخته شده است. در این دوره با رویکردهای مختلف به RL، تبدیل Q-learning ساده به یک معماری RL پیچیده تر و عمیق تر، پیاده سازی الگوریتم ها با Python API تنسورفلو، استفاده از Tensorflow و Python، پیاده سازی راه حل های مبتنی بر RL در پروژه ها آشنا می شوید.

سرفصل:

  • معرفی دوره
  • معرفی یادگیری تقویتی
  • وظایف مشترک RL و روند تقویت
  • آموزش Smartcab با استفاده از Q-Learning
  • محیط Taxi-v2
  • عملیات Taxi-v2 با استفاده از Dumb Agent
  • Q-Learning تقویتی
  • یاده سازی Q-learning
  • Q-Learning Agent
  • محیط Cartpole
  • معرفی Q-Networks
  • مبانی TensorFlow
  • پیاده سازی Q-Network
  • Q-Network Agent
  • یادگیری تقویتی عمیق با TensorFlow
  • معرفی Q-Networks عمیق
  • الگوریتم یادگیری DQN
  • پیاده سازی DQN
  • لاگ کردن، ذخیره کردن و مصورسازی
  • و غیره
آیا این نوشته را دوست داشتید؟
Hands-on Reinforcement Learning with TensorFlow [Video] Publisher:Packtpub Author:Satwik Kansal Duration:3 hours 42 minutes

Train your agent using Reinforcement Learning with Tensorflow’s neural networks, OpenAI Gym and Python, to make it smarter
You’ve probably heard of Deepmind’s AI playing games and getting really good at playing them (like AlphaGo beating the Go world champion). Such agents are built with the help of a paradigm of machine learning called “Reinforcement Learning” (RL).
In this course, you’ll walk through different approaches to RL. You’ll move from a simple Q-learning to a more complex, deep RL architecture and implement your algorithms using Tensorflow’s Python API. You’ll be training your agents on two different games in a number of complex scenarios to make them more intelligent and perceptive.By the end of this course, you’ll be able to implement RL-based solutions in your projects from scratch using Tensorflow and Python.
The code bundle for this video course is available at: https://github.com/PacktPublishing/-Hands-on-Reinforcement-Learning-with-TensorFlow
Style and Approach
A practical guide that demonstrates how to create smart agents by implementing different Reinforcement Learning techniques with Python and Tensorflow, and how to easily improve their performance in different games and environments.
Released: Friday, August 31, 2018
Understanding the Reinforcement Learning Framework
The Course Overview
Introduction to Reinforcement Learning
Common RL Tasks and the Reinforcement Process
Setting Up Environments Using Open AI’s Gym Framework
Training a Smartcab Using Q-Learning
The Taxi-v2 Environment
Operating Taxi-v2 Using a Dumb Agent
Introducing Reinforcement Q-Learning
Implementing Q-Learning
Q-Learning Agent in Action
Balancing a Cartpole Using Q-Networks
The Cartpole Environment
Introducing Q-Networks
TensorFlow Basics
Implementing Q-Network
Q-Network Agent in Action
Deep Reinforcement Learning with TensorFlow
Introducing Deep Q-Networks
The DQN Training Algorithm
Implementing DQN
DQN in Action
Dueling Double DQN
Getting Production-Ready with TensorFlow
Logging, Saving, and Visualizing
Structuring the Code Base
Debugging and Some Nice Practices in TensorFlow
TensorFlow on Multiple Devices
Next Steps

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 775.0MB Packtpub Hands-on Reinforcement Learning with TensorFlow [Video]_git.ir.rar