在我們引人入勝的電子書中，探索令人激動的強化學習（RL）世界！從人工智能智能體和環境到獎勵和動作，學習RL的基礎知識。探索現實世界的應用，如機器人技術、醫療保健和個性化推薦，強化學習正在改變產業。
《強化學習：釋放AI代理的力量》 在我們引人入勝的電子書中，探索令人激動的強化學習（RL）世界！從人工智能代理和環境到獎勵和動作，學習RL的基礎知識。探索現實世界的應用，如機器人技術、醫療保健和個性化推薦，強化學習正在改變產業。
親身體驗實際實現，構建您自己的RL代理并獲得寶貴的經驗。我們強調倫理考慮，確保您創建與人類價值觀一致的負責任的AI系統。
緊跟強化學習領域的最新趨勢和尖端研究。與志同道合的愛好者合作，為RL這個充滿活力的領域做出貢獻，推動塑造未來人工智能的進步。
在《強化學習：釋放AI代理的力量》中開始一段學習和創新的旅程。無論您是初學者還是人工智能愛好者，這本電子書都將激發您對RL及其無限可能性的熱情。加入我們，釋放AI代理的真正力量！
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。
人工智能 (AI) 應用為我們的生活帶來了敏捷性和現代性，而增強學習技術正處于這項技術的前沿。在策略游戲、創意組合和自主運動方面，它可以超越人類競爭者。更重要的是，它剛開始改變我們的文明。 本書介紹了AI的基礎知識，詳述了機器學習技術，并探索了增強學習的各個方面，以教育性和插圖的方式介紹最新概念。它面向那些希望成為技術進步一部分的學生，以及參與開發創新應用的教授，幫助他們應對學術和工業上的挑戰。
理解增強學習的基礎知識將使你能夠：
- 理解關鍵的AI概念
- 獲得專業經驗
- 解釋序列決策問題，并使用增強學習來解決它們
- 了解Q-Learning算法如何工作
- 使用帶有注釋的Python代碼進行實踐
- 找到有利的方向
這本書涵蓋了人工智能的基本概念，穿越了機器學習并深入探討了RL，既有理論又有實踐。在各章節中，有用虛線標出的灰色信息塊，這些信息塊提供了工具和補充信息的鏈接，作為技巧并擴展了本書的資源。本書的組織始終從總覽轉向更為具體的視角。每一章也是如此。因此，學生可以按順序閱讀，或根據需要及時參考各章，如下：
第1章介紹人工智能的研究領域，以及區分各種機器學習方法和它們解決的問題類型。通過有趣的例子生動地介紹了增強學習的含義，并解釋了其框架。然后，探討了滲透多個科學領域的相關歷史里程碑，這些里程碑對這一研究方向的發展做出了貢獻。
第2章涵蓋了理解涉及增強學習的整個系統所需的基本知識。討論了如代理、環境、動作、獎勵、策略和價值函數等概念。提供了例子和類比來幫助解釋這些概念，從Markov鏈的問題結構開始，經過Watkins和Dayan的提議，展開為Bellman方程。最后，介紹了在這一創新研究領域中取得成功的算法的類別和特點。
第3章描述了增強學習中最常用的算法之一——Q-Learning算法的逐步操作。呈現了算法的每個組件的含義及其通過偽代碼的演示。然后，通過代理在環境中互動的視覺例子詳細解釋了算法的工作原理，從Q-Table的初始化到代理根據與環境的經驗進行決策，再到構建要遵循的策略。
第4章涉及用于開發增強學習解決方案的實用工具。討論了一些主要的庫和框架，可用于實現RL算法，如TensorFlow、Keras和OpenAI Gym。還討論了一些用于進行RL實驗的有用數據源。
第5章提出了使用Python開發自主出租車的AI的實際案例。討論了環境的細節，并舉例說明了代理在不使用AI的情況下的行動。作為對比，接下來簡化地展示了如何實現一個RL算法。代碼帶有注釋，并詳細解釋，說明在這類問題中使用RL的差異和優勢。該系統可供進一步測試和實施。
第6章展示了增強學習如何影響各個知識領域的最新應用。介紹了RL在機器人技術、游戲、教育和量子力學等領域的應用實例。還討論了RL應用在不同領域的主要優勢和挑戰，以及在這些領域未來使用RL的展望。
付費5元查看完整內容
這是關于分布式強化學習的首本全面指南，提供了從概率視角考慮決策的新數學形式。 分布式強化學習是考慮決策的新數學形式。它超越了強化學習和期望值的常見方法，專注于因智能體的選擇而獲得的總獎勵或回報 - 特別是，這種回報從概率視角看表現如何。在這本首本全面的分布式強化學習指南中，Marc G. Bellemare, Will Dabney, 和 Mark Rowland，他們引領了這個領域的發展，介紹了其關鍵概念并回顧了其許多應用。他們展示了其解釋因與環境互動而產生的許多復雜有趣現象的能力。
作者們從經典強化學習中介紹核心思想，以使分布式主題有所背景，并包含了對文本中討論的主要結果的數學證明。他們引導讀者通過一系列的算法和數學發展，從而表征，計算，估計，以及基于隨機回報做決策。在金融（風險管理）、計算神經科學、計算精神病學、心理學、宏觀經濟學和機器人技術等多種學科中的實踐者已經在使用分布式強化學習，為其在數學金融、工程和生命科學中的擴展應用鋪平了道路。分布式強化學習不僅僅是一種數學方法，它代表了智能體如何進行預測和決策的新視角。
付費5元查看完整內容
**物理系統的數字孿生是一個自適應的計算機模擬，它存在于云端，動態地適應物理系統的變化。**這本書介紹了計算，數學，和工程背景，以理解和發展的概念的數字孿生。它提供了建模/仿真、計算技術、傳感器/執行器等發展下一代數字孿生所需的背景知識。討論了云計算、大數據、物聯網、無線通信、高性能計算和區塊鏈等相關概念。特點:
提供了解數字孿生技術所需的背景材料 * 介紹數字孿生的計算方面 * 包括基于物理的和代理模型表示 * 解決測量和建模中的不確定性問題 * 討論實現數字孿生的實際案例研究，包括增材制造、服務器場、預測性維護和智慧城市
這本書是針對在電氣，機械，計算機和生產工程的研究生和研究人員。
付費5元查看完整內容
R深度學習，第二版使用R和強大的Keras庫從頭開始進行深度學習!在R深度學習第二版中，您將學習:
- 從基本原理中進行深度學習
- 圖像分類和圖像分割
- 時間序列預測
- 文本分類與機器翻譯
- 文本生成，神經風格轉換，和圖像生成
《R的深度學習，第二版》向您展示了如何將深度學習付諸行動。它基于Fran?ois Chollet的暢銷書《用Python進行深度學習》的修訂版。作者:Tomasz Kalinowski，他在RStudio維護Keras和Tensorflow R包。新手和有經驗的ML實踐者會喜歡構建神經網絡的專家見解、實用技術和重要理論。深度學習已經成為數據科學家、研究人員和軟件開發人員的基本知識。Keras和TensorFlow的R語言API為所有R用戶提供了深度學習，即使他們沒有高級機器學習或神經網絡的經驗。本書向您展示了如何開始使用R來完成核心的DL任務，如計算機視覺、自然語言處理等。深度學習與R，第二版是一個使用R語言進行深度學習的動手指南。當你讀這本書的時候，你會很快鎖定深度學習的基本思想。直觀的解釋、清晰的插圖和清晰的示例引導您了解核心的DL技能，如圖像處理和文本操作，甚至高級功能，如transformers。這個修訂和擴展的新版本改編自Python深度學習，第二版作者:Fran?ois Chollet, Keras庫的創建者。//www.manning.com/books/deep-learning-with-r-second-edition
目錄內容
1 What is deep learning?free * 2 The mathematical building blocks of neural networks * 3 Introduction to Keras and TensorFlow * 4 Getting started with neural networks: Classification and regression * 5 Fundamentals of machine learning * 6 The universal workflow of machine learning * 7 Working with Keras: A deep dive * 8 Introduction to deep learning for computer vision * 9 Advanced deep learning for computer vision * 10 Deep learning for time series * 11 Deep learning for text * 12 Generative deep learning * 13 Best practices for the real world * 14 Conclusions * App. Python primer for R users
付費5元查看完整內容
發現在多機器人協調技術的最新發展與這個深刻的和原始的資源 多智能體協調:強化學習方法提供了一個全面、深刻和獨特的處理多機器人協調算法的開發，與傳統算法相比，計算負擔最小，存儲需求更低。有成就的學者、工程師和作者為讀者提供了多機器人協調的高層次介紹和概述，以及基于學習的規劃算法的深入分析。 您將了解如何加速對團隊目標的探索，以及通過確定團隊首選的聯合行動來加快TMAQL收斂的替代方法。作者還提出了共識q學習的新方法，解決了均衡選擇問題。最后，本書總結了這一快速發展領域的未來研究的可能方向。
讀者將發現多智能體協調的前沿技術，包括:
- 通過強化學習和進化算法介紹多智能體協調，包括納什均衡和相關均衡等主題
- 提高多智能體Q-learning在協同任務規劃中的收斂速度
- 基于共識Q學習的多智能體協同規劃
- 基于協同Q學習的多智能體規劃相關均衡的高效計算
- 對于經常使用多智能體學習算法的學者、工程師和專業人士來說，《多智能體協調:強化學習方法》也屬于任何對機器學習和人工智能有高級興趣的人的書架上，因為它適用于合作或競爭機器人領域。
付費5元查看完整內容
消除面向對象設計不可避免的復雜性。創新的面向數據的編程范式使訪問和操作數據變得更簡單，從而降低了系統的復雜性。
//www.manning.com/books/data-oriented-programming
**在面向數據的編程中，你將學習如何:**將代碼與數據分離用通用數據結構表示數據使用通用函數操作數據管理狀態而不改變數據在高度可擴展的系統中控制并發性編寫面向數據的單元測試指定數據的形狀受益于沒有對象的多態性不使用調試器調試程序
面向數據編程是介紹面向數據范式的獨一無二的指南。這種開創性的方法用通用的不可變數據結構表示數據。它簡化了狀態管理，簡化了并發性，并消除了在面向對象代碼中會發現的常見問題。這本書通過對話、代碼片段和圖表展示了強大的新思想，幫助您快速了解關于DOP的偉大之處。最重要的是，該范例與語言無關，您將學習編寫可以用JavaScript、Ruby、Python、Clojure實現的DOP代碼，也可以用傳統的OO語言(如Java或c#)實現。
面向數據的編程教你使用開創性的面向數據的范式設計軟件。您將使用DOP來為業務實體設計數據模型，并實現一個庫管理系統，該系統可以在沒有數據突變的情況下管理狀態。大量的圖表，直觀的思維導圖，以及獨特的對話方法都能幫助你的頭腦理解這些令人興奮的新想法。每一章都有一個靈光一閃的時刻，它將改變你對編程的看法。
付費5元查看完整內容
學習測試驅動開發(TDD)和行為驅動開發(BDD)背后的原理，看看Jasmine、RSpec和Cucumber是如何為你所用的。這本書探討了一些用于測試的領先技術。
您將看到如何使用Jasmine的特性與JavaScript應用程序一起工作。您將學習如何在Ruby和Rubymine中使用Mini Test和RSpec。最后，您將使用Cucumber使用BDD方法開發軟件。
對于任何web開發人員來說，理解測試自動化是一項至關重要的技能。實用的測試自動化將破壞現代web上一些重要的TDD和BDD技術。
你將學習
- 用Jasmine測試一個示例JavaScript應用程序
- 使用Jasmine 與JS Bin
- 使用Minitest進行測試驅動開發
- 用RSpec測試一個示例Ruby項目
- 使用Cucumber和Gherkin進行行為驅動開發
- 將Cucumber與RSpec集成
這本書是給誰的
- 這本書是為那些想要學習測試自動化以及更多關于測試驅動開發和行為驅動開發的人準備的。
付費5元查看完整內容
如果您是用Python編程的新手，并且正在尋找可靠的介紹，那么這本書就是為您準備的。由計算機科學教師開發，在“為絕對初學者”系列叢書通過簡單的游戲創造教授編程的原則。您將獲得實際的Python編程應用程序所需的技能，并將了解如何在真實場景中使用這些技能。在整個章節中，你會發現一些代碼示例來說明所提出的概念。在每一章的結尾，你會發現一個完整的游戲，展示了這一章的關鍵思想，一章的總結，以及一系列的挑戰來測試你的新知識。當你讀完這本書的時候，你將非常精通Python，并且能夠將你所學到的基本編程原理應用到你要處理的下一種編程語言。
付費5元查看完整內容
簡介： 深度學習無處不在。例如，當在線使用許多應用程序甚至在購物時，都會看到它。我們被深度學習所包圍，甚至根本沒有意識到這一點，這使學習深度學習變得至關重要，因為可以利用它做很多事情，這遠遠超出了您的想象。當您學習本書時，您可以在Mac，Linux或Windows系統上運行的許多示例代碼。您也可以使用Google Colab之類的工具在線運行代碼。 本書的第一部分為您提供了一些入門信息，除了安裝一些必備軟件，還會了解一些基本數學知識。
目錄：
-
說明
-
Chapter 1：深度學習介紹
- 深度學習的意義
- 真實世界中的深度學習
- 深度學習項目的環境
-
Chapter 2：機器學習介紹
- 機器學習定義
- 思考學習的不同方法
- 機器學習的正確使用
-
Chapter 3：使用python
- anaconda
- 下載數據集與代碼
- 創建應用
- 云端使用
-
chapter 4：利用深度學習看框架
- 框架介紹
- 了解tensorflow
-
chapter 5：回顧數學與優化
- 矩陣介紹
- 理解向量，scalar等
- 優化介紹
-
chapter 6：線性回歸基礎
- 組合變量
- 混合變量類型
- 概率
- 特征介紹
-
chapter 7：神經網絡
- 感知機
- 神經網絡復雜度
- 過擬合
-
Chapter 8：構建基礎神經網絡
- 理解神經網絡
- 神經網絡的核心
-
Chapter 9：深度學習
- 數據
- 提升速度
- 解釋深度學習的不同
-
Chapter 10：解釋卷積神經網絡
-
Chapter 11：循環神經網絡
-
Chapter 12：圖片分類
-
Chapter 13：循環神經網絡
-
Chapter 14：語言處理
-
Chapter 15：生成音樂和虛擬藝術
-
Chapter 16：生成對抗網絡
-
Chapter 17：深度強化學習
-
Chapter 18：深度學習的應用
-
Chapter 19：十個必備的深度學習工具
-
Chapter 20：十個使用深度學習的場景
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