лонца андреа алгоритмы обучения с подкреплением на python описание и разработка алгоритмов искусственного интелекта
Лонца А. Алгоритмы обучения с подкреплением на Python. Описание и разработка алгоритмов искусственного интелекта
Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов. В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и мета-алгоритмом ESBAS. Издание предназначено для тех, кто интересуется исследованиями в области искусственного интеллекта, применяет в работе глубокое обучение или хочет освоить обучение с подкреплением с нуля. Обязательное условие - владение языком Python на рабочем уровне.
2459 Руб.Лонца А. Алгоритмы обучения с подкреплением на Python. Описание и разработка алгоритмов искусственного интелекта
Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов. В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и мета-алгоритмом ESBAS. Издание предназначено для тех, кто интересуется исследованиями в области искусственного интеллекта, применяет в работе глубокое обучение или хочет освоить обучение с подкреплением с нуля. Обязательное условие - владение языком Python на рабочем уровне.
2459 Руб.Лонца Андреа Алгоритмы обучения с подкреплением на Python
Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов. В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и мета-алгоритмом ESBAS. Издание предназначено для тех, кто интересуется исследованиями в области искусственного интеллекта, применяет в работе глубокое обучение или хочет освоить обучение с подкреплением с нуля. Обязательное условие - владение языком Python на рабочем уровне.
2038 Руб.Вирсански Эйял Генетические алгоритмы на Python
Генетические алгоритмы - это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта. После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций. Вы также узнаете о том, как генетические алгоритмы позволяют повысить качество моделей машинного и глубокого обучения, решать задачи обучения с подкреплением и выполнять реконструкцию изображений. Наконец, будет упомянуто о некоторых родственных технологиях, открывающих новые возможности для будущих приложений. Книга адресована программистам, специалистам по обработке данных и энтузиастам ИИ, желающим применить генетические алгоритмы в решении практических задач. Требуются владение языком Python на рабочем уровне и базовые знания математики и информатики.
2209 Руб.Вирсански Э. Генетические алгоритмы на Python. Применение генетических алгоритмов к решению задач глубокого обучения и искуственного интеллекта
Генетические алгоритмы — это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта. После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций. Вы также узнаете о том, как генетические алгоритмы позволяют повысить качество моделей машинного и глубокого обучения, решать задачи обучения с подкреплением и выполнять реконструкцию изображений. Наконец, будет упомянуто о некоторых родственных технологиях, открывающих новые возможности для будущих приложений. Книга адресована программистам, специалистам по обработке данных и энтузиастам ИИ, желающим применить генетические алгоритмы в решении практических задач. Требуются владение языком Python на рабочем уровне и базовые знания математики и информатики.
2209 Руб.Вирсански Э. Генетические алгоритмы на Python. Применение генетических алгоритмов к решению задач глубокого обучения и искуственного интеллекта
Генетические алгоритмы — это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта. После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций. Вы также узнаете о том, как генетические алгоритмы позволяют повысить качество моделей машинного и глубокого обучения, решать задачи обучения с подкреплением и выполнять реконструкцию изображений. Наконец, будет упомянуто о некоторых родственных технологиях, открывающих новые возможности для будущих приложений. Книга адресована программистам, специалистам по обработке данных и энтузиастам ИИ, желающим применить генетические алгоритмы в решении практических задач. Требуются владение языком Python на рабочем уровне и базовые знания математики и информатики.
2209 Руб.Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что «страшные» аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN
1233 Руб.Равичандиран Судхарсан Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) - самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением. Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL. Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта. В этой книге вы: - Познакомитесь с основами методов, алгоритмов и элементов RL - Обучите агента с помощью OpenAI Gym и Tensorflow - Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD - Научитесь решать проблемы многоруких бандитов - Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN - Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom - С помощью DDPG научите агентов играть в Lunar Lander - Отправите агента на автогонки, используя метод DQN
1901 Руб.Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN
1499 Руб.Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN
1499 Руб.Джоши Пратик Искусственный интеллект с примерами на Python. Создание приложений искусственного интеллекта
Искусственный интеллект становится неотъемлемым атрибутом современного мира, управляемого технологиями и данными. Он интенсивно применяется в таких областях, как поисковые системы, распознавание образов, робототехника, беспилотные автомобили и т.п. В этой книге исследуются различные сценарии, взятые из реальной жизни. Прочитав ее, вы будете знать, какие алгоритмы искусственного интеллекта следует применять в том или ином контексте. Автор начинает с рассмотрения общих концепций искусственного интеллекта, после чего переходит к обсуждению более сложных тем, таких как предельно случайные леса, скрытые марковские модели, генетические алгоритмы, сверточные нейронные сети и др. Вы узнаете о том, как принимать обоснованные решения при выборе необходимых алгоритмов, а также о том, как реализовывать эти алгоритмы на языке Python для достижения наилучших результатов. Если вы хотите создавать многоцелевые приложения для обработки информации, содержащейся в изображениях, тексте, голосовых и других данных, то эта книга станет для вас надежным подспорьем. Основные темы книги: Различные методы классификации и регрессии данных Концепция кластеризации и ее применение для автоматического сегментирования данных Создание интеллектуальных рекомендательных систем Логическое программирование и способы его применения Построение автоматизированных систем распознавания речи Основы эвристического поиска и генетического программирования Разработка игр с использованием искусственного интеллекта Обучение с подкреплением Создание интеллектуальных приложений, связанных с обработкой изображений, текста и последовательных данных Алгоритмы глубокого обучения и создание приложений на их основе Пратик Джоши - специалист по проблемам искусственного интеллекта, автор пяти книг и постоянный докладчик на конференциях TEDx. Учредитель компании Pluto AI - венчурного стартапа из Силиконовой долины, занимающегося созданием аналитической платформы для интеллектуальной системы управления водоснабжением на основе методов глубокого обучения. Часто публикует статьи, посвященные искусственному интеллекту, программированию на языке Python и прикладной математике. Окончил Университет Южной Калифорнии, получив диплом специалиста в области искусственного интеллекта. Работал в таких компаниях, как Nvidia и Microsoft.
2881 Руб.Мигель Моралес. Грокаем глубокое обучение с подкреплением
Мы учимся, взаимодействуя с окружающей средой, и получаемые вознаграждения и наказания определяют наше поведение в будущем. Глубокое обучение с подкреплением привносит этот естественный процесс в искусственный интеллект и предполагает анализ результатов для выявления наиболее эффективных путей движения вперед. Агенты глубокого обучения с подкреплением могут способствовать успеху маркетинговых кампаний, прогнозировать рост акций и побеждать гроссмейстеров в Го и шахматах.Давайте научимся создавать системы глубокого обучения на примере увлекательных упражнений, сопровождаемых кодом на Python с подробными комментариями и понятными объяснениями. Вы увидите, как работают алгоритмы, и научитесь создавать собственных агентов глубокого обучения с подкреплением, используя оценочную обратную связь.
2490 Руб.Грокаем глубокое обучение с подкреплением
Мы учимся, взаимодействуя с окружающей средой, и получаемые вознаграждения и наказания определяют наше поведение в будущем. Глубокое обучение с подкреплением привносит этот естественный процесс в искусственный интеллект и предполагает анализ результатов для выявления наиболее эффективных путей движения вперед. Агенты глубокого обучения с подкреплением могут способствовать успеху маркетинговых кампаний, прогнозировать рост акций и побеждать гроссмейстеров в Го и шахматах.Давайте научимся создавать системы глубокого обучения на примере увлекательных упражнений, сопровождаемых кодом на Python с подробными комментариями и понятными объяснениями. Вы увидите, как работают алгоритмы, и научитесь создавать собственных агентов глубокого обучения с подкреплением, используя оценочную обратную связь.
1144 Руб.Моралес Мигель Грокаем глубокое обучение с подкреплением
Мы учимся, взаимодействуя с окружающей средой, и получаемые вознаграждения и наказания определяют наше поведение в будущем. Глубокое обучение с подкреплением привносит этот естественный процесс в искусственный интеллект и предполагает анализ результатов для выявления наиболее эффективных путей движения вперед. Агенты глубокого обучения с подкреплением могут способствовать успеху маркетинговых кампаний, прогнозировать рост акций и побеждать гроссмейстеров в Го и шахматах.Давайте научимся создавать системы глубокого обучения на примере увлекательных упражнений, сопровождаемых кодом на Python с подробными комментариями и понятными объяснениями. Вы увидите, как работают алгоритмы, и научитесь создавать собственных агентов глубокого обучения с подкреплением, используя оценочную обратную связь.
2086 Руб.Алгоритмы неформально. Инструкция для начинающих питонистов
Алгоритмы — это не только задачи поиска, сортировки или оптимизации, они помогут вам поймать бейсбольный мяч, проникнуть в «механику» машинного обучения и искусственного интеллекта и выйти за границы возможного.Вы узнаете нюансы реализации многих самых популярных алгоритмов современности, познакомитесь с их реализацией на Python 3, а также научитесь измерять и оптимизировать их производительность.
1050 Руб.Такфилд Брэдфорд Алгоритмы неформально. Инструкция для начинающих питонистов
Алгоритмы — это не только задачи поиска, сортировки или оптимизации, они помогут вам поймать бейсбольный мяч, проникнуть в «механику» машинного обучения и искусственного интеллекта и выйти за границы возможного.Вы узнаете нюансы реализации многих самых популярных алгоритмов современности, познакомитесь с их реализацией на Python 3, а также научитесь измерять и оптимизировать их производительность.
1399 Руб.Искусственный интеллект становится неотъемлемым атрибутом современного мира, управляемого технологиями и данными. Он интенсивно применяется в таких областях, как поисковые системы, распознавание образов, робототехника, беспилотные автомобили и т.п. В этой книге исследуются различные сценарии, взятые из реальной жизни. Прочитав ее, вы будете знать, какие алгоритмы искусственного интеллекта следует применять в том или ином контексте. Автор начинает с рассмотрения общих концепций искусственного интеллекта, после чего переходит к обсуждению более сложных тем, таких как предельно случайные леса, скрытые марковские модели, генетические алгоритмы, сверточные нейронные сети и др. Вы узнаете о том, как принимать обоснованные решения при выборе необходимых алгоритмов, а также о том, как реализовывать эти алгоритмы на языке Python для достижения наилучших результатов. Если вы хотите создавать многоцелевые приложения для обработки информации, содержащейся в изображениях, тексте, голосовых и других данных, то эта книга станет для вас надежным подспорьем. Основные темы книги: Различные методы классификации и регрессии данных Концепция кластеризации и ее применение для автоматического сегментирования данных Создание интеллектуальных рекомендательных систем Логическое программирование и способы его применения Построение автоматизированных систем распознавания речи Основы эвристического поиска и генетического программирования Разработка игр с использованием искусственного интеллекта Обучение с подкреплением Создание интеллектуальных приложений, связанных с обработкой изображений, текста и последовательных данных Алгоритмы глубокого обучения и создание приложений на их основе Пратик Джоши - специалист по проблемам искусственного интеллекта, автор пяти книг и постоянный докладчик на конференциях TEDx. Учредитель компании Pluto AI - венчурного стартапа из Силиконовой долины, занимающегося созданием аналитической платформы для интеллектуальной системы управления водоснабжением на основе методов глубокого обучения. Часто публикует статьи, посвященные искусственному интеллекту, программированию на языке Python и прикладной математике. Окончил Университет Южной Калифорнии, получив диплом специалиста в области искусственного интеллекта. Работал в таких компаниях, как Nvidia и Microsoft.
