خرید و دانلود نسخه کامل کتاب Hands-On Intelligent Agents with OpenAI Gym: Your Guide to Developing AI Agents Using Deep Reinforcement Learning
135,000 تومان قیمت اصلی 135,000 تومان بود.100,000 تومانقیمت فعلی 100,000 تومان است.
تعداد فروش: 76
| عنوان فارسی |
عوامل هوشمند عملی با ورزشگاه OpenAI: راهنمای شما برای توسعه عوامل هوش مصنوعی با استفاده از یادگیری تقویتی عمیق |
|---|---|
| عنوان اصلی | Hands-On Intelligent Agents with OpenAI Gym: Your Guide to Developing AI Agents Using Deep Reinforcement Learning |
| ناشر | |
| نویسنده | Praveen Palanisamy |
| ISBN | |
| سال نشر | 0 |
| زبان | English |
| تعداد صفحات | 246 صفحه |
| دسته | سایبرنتیک: هوش مصنوعی |
| فرمت کتاب | |
| حجم فایل | 22 مگابایت |
آنتونی رابینز میگه : من در 40 سالگی به جایی رسیدم که برای رسیدن بهش 82 سال زمان لازمه و این رو مدیون کتاب خواندن زیاد هستم.
فارسی:
کتاب «کار عملی با عاملهای هوشمند در OpenAI Gym: راهنمای توسعه عاملهای هوشمند با یادگیری تقویتی عمیق» یک منبع آموزشی کاربردی و مرحلهبهمرحله برای آشنایی و تسلط بر مفهوم یادگیری تقویتی (Reinforcement Learning) و نحوه ساخت عاملهای هوشمند است.
نویسنده با استفاده از محیط شبیهسازیشده OpenAI Gym، مفاهیم کلیدی مانند تعریف محیط، تابع پاداش، سیاستها (policies)، تعامل عامل با محیط، و الگوریتمهایی چون Q-Learning، DQN، PPO، DDPG و دیگر تکنیکهای مدرن یادگیری عمیق را توضیح میدهد. تمرکز اصلی این کتاب بر آموزش مفهومی بههمراه پیادهسازیهای عملی با استفاده از کتابخانههایی مانند TensorFlow و PyTorch است.
کتاب مناسب دانشجویان، پژوهشگران، توسعهدهندگان نرمافزار و علاقهمندان به هوش مصنوعی است که قصد دارند از طریق یادگیری تقویتی، عاملهایی هوشمند برای بازیها، شبیهسازها، رباتها یا سیستمهای تصمیمیار طراحی کنند.
English:
“Hands-On Intelligent Agents with OpenAI Gym: Your Guide to Developing AI Agents Using Deep Reinforcement Learning” is a practical, hands-on guide designed to teach readers how to build intelligent agents using the powerful framework of OpenAI Gym and the principles of deep reinforcement learning (DRL).
This book covers essential RL concepts such as environment modeling, reward functions, policies, agent-environment interaction, and implementation of state-of-the-art algorithms like Q-Learning, DQN, PPO, and DDPG. Readers will learn not only the theoretical foundations but also how to code intelligent agents using TensorFlow or PyTorch, with a strong emphasis on experimentation and practical results.
Perfect for students, developers, and AI researchers, this book provides the knowledge and tools needed to build agents that can learn, adapt, and thrive in complex environments—be it in games, simulations, or real-world robotics.

نقد و بررسیها
هنوز بررسیای ثبت نشده است.