強化學習是機器學習的一個熱門領域，從基礎開始: 發現代理和環境如何演變，然后獲得它們之間如何相互關聯的清晰聯系。然后你將學習與強化學習相關的理論，并了解建立強化學習過程的概念。
這本書討論了對強化學習很重要的算法實現，包括馬爾可夫決策過程和半馬爾可夫決策過程。下一節將向您展示如何在查看Open AI Gym之前開始使用Open AI。然后您將學習Python中關于增強學習方面的群體智能。
本書的最后一部分從TensorFlow環境開始，并給出了如何將強化學習應用于TensorFlow的概述。還有Keras，一個可以用于強化學習的框架。最后，您將深入研究谷歌的深層思想，并看到可以使用強化學習的場景。
你將學習
- 吸收強化學習過程的核心概念
- 使用深度學習和人工智能的高級主題
- 與Open AI Gym、Open AI和Python一起工作
- 利用TensorFlow和Keras使用Python進行強化學習
這本書是給誰看的
數據科學家、機器學習和深度學習專業人員、希望適應和學習強化學習的開發人員。
付費5元查看完整內容
相關內容
強化學習（RL）是機器學習的一個領域，與軟件代理應如何在環境中采取行動以最大化累積獎勵的概念有關。除了監督學習和非監督學習外，強化學習是三種基本的機器學習范式之一。
強化學習與監督學習的不同之處在于，不需要呈現帶標簽的輸入/輸出對，也不需要顯式糾正次優動作。相反，重點是在探索（未知領域）和利用（當前知識）之間找到平衡。
該環境通常以馬爾可夫決策過程（MDP）的形式陳述，因為針對這種情況的許多強化學習算法都使用動態編程技術。經典動態規劃方法和強化學習算法之間的主要區別在于，后者不假設MDP的確切數學模型，并且針對無法采用精確方法的大型MDP。
這本書在對算法工作原理的高層次理解和對優化模型的具體細節的了解之間找到一個平衡點。這本書將給你的信心和技能時，開發所有主要的機器學習模型。在這本Pro機器學習算法中，您將首先在Excel中開發算法，以便在用Python/R實現模型之前，實際了解可以在模型中調優的所有細節。
你將涵蓋所有主要的算法:監督和非監督學習，其中包括線性/邏輯回歸;k - means聚類;主成分分析;推薦系統;決策樹;隨機森林;“GBM”;和神經網絡。您還將通過CNNs、RNNs和word2vec等文本挖掘工具了解最新的深度學習。你不僅要學習算法，還要學習特征工程的概念來最大化模型的性能。您將看到該理論與案例研究，如情緒分類，欺詐檢測，推薦系統，和圖像識別，以便您得到最佳的理論和實踐為工業中使用的絕大多數機器學習算法。在學習算法的同時，您還將接觸到在所有主要云服務提供商上運行的機器學習模型。
你會學到什么？
- 深入了解所有主要的機器學習和深度學習算法
- 充分理解在構建模型時要避免的陷阱
- 在云中實現機器學習算法
- 通過對每種算法的案例研究，采用動手實踐的方法
- 學習集成學習的技巧，建立更精確的模型
- 了解R/Python編程的基礎知識和Keras深度學習框架
這本書是給誰看的
希望轉換到數據科學角色的業務分析師/ IT專業人員。想要鞏固機器學習知識的數據科學家。
付費5元查看完整內容
//www.manning.com/books/deep-learning-with-javascript
深度學習已經改變了計算機視覺、圖像處理和自然語言應用領域。多虧了TensorFlow.js，現在JavaScript開發人員可以無需依賴Python或R就能構建深度學習應用程序。使用JavaScript的深度學習向開發人員展示了如何將DL技術引入web。本書由TensorFlow庫的主要作者編寫，為在瀏覽器或Node上使用JavaScript進行深度學習的應用程序提供了有趣的用例和深入的指導。
關于技術
在瀏覽器或基于Node的后端中運行深度學習應用程序，為智能web應用程序開辟了令人興奮的可能性。使用TensorFlow.js庫，您可以用JavaScript構建和訓練深度學習模型。TensorFlow.js具有無與倫比的可擴展性，模塊化和響應能力，其可移植性確實令人眼前一亮。它的模型可以在JavaScript運行的任何地方運行，從而將ML推向應用程序堆棧的更上層。
關于這本書
在Deep Learning with JavaScript這本書中，您將學習使用TensorFlow.js來構建直接在瀏覽器中運行的深度學習模型。這本快節奏的書由Google工程師撰寫，是實用的，引人入勝且易于閱讀。通過以文本分析，語音處理，圖像識別和自學習游戲AI為特色的各種示例，您將掌握深度學習的所有基礎知識并探索高級概念，例如對現有模型進行再訓練以進行遷移學習和圖像生成。
書里面有什么
在瀏覽器中的圖像和語言處理
用客戶端數據調優ML模型
通過生成式深度學習創建文本和圖像
源代碼示例以進行測試和修改
付費5元查看完整內容
簡介：
自從2012年以來，最近的技術史上最重大的事件也許就是神經網絡爆炸了。標記數據集的增長，計算能力的提高以及算法的創新齊頭并進。從那時起，深度神經網絡使以前無法實現的任務得以實現，并提高了任務的準確性，使它們超出了學術研究范圍，并進入了語音識別，圖像標記，生成模型和推薦系統等領域的實際應用。在這種背景下，Google Brain的團隊開始開發TensorFlow.js。該項目開始時，許多人認為“ JavaScript深度學習”是一種新穎事物，對于某些用例來說并不能當真。盡管Python已經有了一些完善的，功能強大的深度學習框架，但JavaScript機器學習的前景仍然是零散的和不完整的。在當時可用的少數JavaScript庫中，大多數僅支持以其他語言（通常是Python）進行預訓練的部署模型。
這本書不僅是作為如何在TensorFlow.js中編寫代碼的秘訣，而且還是以JavaScript和Web開發人員的母語為基礎的機器學習基礎入門課程。深度學習領域是一個快速發展的領域。我們相信，無需正式的數學處理就可以對機器學習有深入的了解，而這種了解將使您能夠在技術的未來發展中保持最新。有了這本書，您就成為成為成長中的JavaScript機器學習從業人員社區的第一步，他們已經在JavaScript和深度學習之間的交匯處帶來了許多有影響力的應用程序。我們衷心希望本書能激發您在這一領域的創造力和獨創性。
目錄：
內容簡介：
本書分為四個部分。第一部分僅由第一章組成，向您介紹了人工智能，機器學習和深度學習的概況，以及在JavaScript中實踐深度學習為何有意義。第二部分是對深度學習中最基礎和最常遇到的概念的簡要介紹。本書的第三部分系統地為希望建立對更前沿技術的理解的用戶，提供了深度學習的高級主題，重點是ML系統的特定挑戰領域以及與之配合使用的TensorFlow.js工具。
付費5元查看完整內容
題目：Applied Reinforcement Learning with Python With OpenAI Gym, Tensorflow, and Keras
深入研究強化學習算法，并通過Python將它們應用到不同的用例中。這本書涵蓋了重要的主題，如策略梯度和Q學習，并利用框架，如Tensorflow, Keras，和OpenAI Gym。
Python中的應用增強學習向您介紹了強化學習(RL)算法背后的理論和用于實現它們的代碼。您將在指導下了解OpenAI Gym的特性，從使用標準庫到創建自己的環境，然后了解如何構建強化學習問題，以便研究、開發和部署基于rl的解決方案。
你將學習：
- 用Python實現強化學習
- 使用AI框架，如OpenAI Gym、Tensorflow和Keras
- 通過云資源部署和培訓基于增強學習的解決方案
- 應用強化學習的實際應用
這本書是給誰看的： 數據科學家、機器學習工程師和軟件工程師熟悉機器學習和深度學習的概念。
地址：
//www.springerprofessional.de/en/applied-reinforcement-learning-with-python/17098944
目錄：
第1章 強化學習導論
在過去的一年里，深度學習技術的不斷擴散和發展給各個行業帶來了革命性的變化。毫無疑問，這個領域最令人興奮的部分之一是強化學習(RL)。這本身往往是許多通用人工智能應用程序的基礎，例如學習玩視頻游戲或下棋的軟件。強化學習的好處是，假設可以將問題建模為包含操作、環境和代理的框架，那么代理就可以熟悉大量的任務。假設,解決問題的范圍可以從簡單的游戲,更復雜的3d游戲,自動駕駛汽車教學如何挑選和減少乘客在各種不同的地方以及教一個機械手臂如何把握對象和地點在廚房柜臺上。
第二章 強化學習算法
讀者應該知道，我們將利用各種深度學習和強化學習的方法在這本書。然而，由于我們的重點將轉移到討論實現和這些算法如何在生產環境中工作，我們必須花一些時間來更詳細地介紹算法本身。因此，本章的重點將是引導讀者通過幾個強化學習算法的例子，通常應用和展示他們在使用Open AI gym 不同的問題。
第三章 強化學習算法:Q學習及其變體
隨著策略梯度和Actor-Critic模型的初步討論的結束，我們現在可以討論讀者可能會發現有用的替代深度學習算法。具體來說，我們將討論Q學習、深度Q學習以及深度確定性策略梯度。一旦我們了解了這些，我們就可以開始處理更抽象的問題，更具體的領域，這將教會用戶如何處理不同任務的強化學習。
第四章 通過強化學習做市場
除了在許多書中發現的強化學習中的一些標準問題之外，最好看看那些答案既不客觀也不完全解決的領域。在金融領域，尤其是強化學習領域，最好的例子之一就是做市。我們將討論學科本身，提出一些不基于機器學習的基線方法，然后測試幾種基于強化學習的方法。
第五章 自定義OpenAI強化學習環境
在我們的最后一章，我們將專注于Open AI Gym，但更重要的是嘗試理解我們如何創建我們自己的自定義環境，這樣我們可以處理更多的典型用例。本章的大部分內容將集中在我對開放人工智能的編程實踐的建議，以及我如何編寫這個軟件的建議。最后，在我們完成創建環境之后，我們將繼續集中精力解決問題。對于這個例子，我們將集中精力嘗試創建和解決一個新的視頻游戲。
付費5元查看完整內容
簡介： Google一直是引入突破性技術和產品的先驅。在效率和規模方面，TensorFlow也不例外，因此，編寫本書只是向讀者介紹TensorFlow核心團隊所做的這些重要更改。本書著重于機器學習方面的TensorFlow的不同應用，并更深入地探討了方法的最新變化。對于那些想要用TensorFlow進行機器學習的人來說，這本書是一個很好的參考點。本書分為三個部分。第一篇：使用TensorFlow 2.0進行數據處理。第二部分：使用TensorFlow 2.0構建機器學習和深度學習模型。它還包括使用TensorFlow 2.0的神經語言編程（NLP）。第三部分介紹了如何在環境中保存和部署TensorFlow 2.0模型。這本書對數據分析人員和數據工程師也很有用，因為它涵蓋了使用TensorFlow 2.0處理大數據的步驟。想要過渡到數據科學和機器學習領域的讀者也會發現，本書提供了實用的入門指南，以后可能會出現更復雜的方面。書中提供的案例研究和示例使您很容易理解和理解相關的基本概念。本書的優勢在于其簡單性以及將機器學習應用于有意義的數據集。
目錄：
- Chapter 1：tenforflow 2.0介紹
- tensor
- TensorFlow 1.0與 Tensorflow 2.0的對比
- Tensorflow 2.0安裝于基礎操作
- Chapter 2：tenforflow 與監督學習
- 監督機器學習是什么
- TF2.0實現線性回歸
- 使用TF和Keras的線性回歸應用
- TF2.0實現邏輯回歸
- TF2.0實現boosted樹
- Chapter 3：tenforflow與深度神經網絡
- 什么是神經網絡
- 前向傳播與反向傳播
- TF2.0構建神經網絡
- 深度神經網絡
- TF2.0構建深度神經網絡
- 使用Keras模型估量
- 總結
- Chapter 4：圖片與Tensorflow
- 圖片處理
- 卷積神經網絡
- TF2.0與卷積神經網絡
- 遷移學習
- TF2.0與變分自編碼器
- 總結
- Chapter 5：TF2.0與自然語言處理（NLP）
- NLP概述
- 文本處理
- 文本分類與TF
- TF projector
- Chapter 6：TF模型
- TF部署
- 模型部署的Python
- 基于TF的Keras模型
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191