由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高99元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
正版 深度强化学习实战 用OpenAI Gym构建智能体
¥ ×1
第1章智能体与学习环境入门1
1.1智能体简介1
1.2学习环境2
1.3OpenAIGym简介3
1.4理解OpenAIGym的主要特性8
1.4.1简单的环境接口8
1.4.2可比较与可复现8
1.4.3进程可监控9
1.5OpenAIGym工具包的作用9
1.6创建第一个OpenAIGym环境9
1.7小结11
第2章强化学习和深度强化学习12
2.1强化学习简介12
2.2直观理解人工智能的含义和内容13
2.2.1监督学习13
2.2.2非监督学习14
2.2.3强化学习14
2.3强化学习实战14
2.3.1智能体15
2.3.2奖励15
2.3.3环境15
2.3.4状态16
2.3.5模型17
2.3.6值函数17
2.3.7策略18
2.4马尔可夫决策过程18
2.5动态规划19
2.6蒙特卡洛学习和时序差分学习19
2.7SARSA和Q-Learning20
2.8深度强化学习21
2.9强化学习和深度强化学习算法的实践应用22
2.10小结23
第3章开启OpenAIGym和深度强化学习之旅24
3.1代码库、设置和配置24
3.1.1先决条件25
3.1.2创建conda环境26
3.1.3最小化安装——快捷简便的方法27
3.1.4完整安装OpenAIGym学习环境28
3.2安装深度强化学习所需的工具和库32
3.2.1安装推荐的系统软件包32
3.2.2安装CUDA33
3.2.3安装PyTorch34
3.3小结35
第4章探索Gym及其功能36
4.1探索环境列表和术语36
4.1.1术语37
4.1.2探索Gym环境38
4.2理解Gym接口40
4.3Gym中的空间43
4.4小结47
第5章实现第一个智能体——解决过山车问题48
5.1了解过山车问题48
5.2从零开始实现Q-Learning智能体50
5.2.1Q-Learning回顾53
5.2.2使用Python和NumPy实现Q-Learning智能体53
5.3在Gym中训练强化学习智能体58
5.4测试并记录智能体的性能58
5.5一个简单且完整的Q-Learner实现——过山车问题的解决方案59
5.6小结63
第6章用深度Q-Learning实现很优化控制智能体64
6.1优化Q-Learning智能体65
6.1.1用神经网络近似Q函数65
6.1.2经验回放71
6.1.3重温ε-贪婪动作策略74
6.2实现一个深度Q-Learning智能体76
6.2.1用PyTorch实现一个深度卷积Q网络77
6.2.2使用目标Q网络稳定智能体的学习78
6.2.3记录和可视化智能体的学习过程79
6.2.4管理超参数和配置参数81
6.2.5用完整的深度Q-Learner处理输入为原始像素的复杂问题83
6.3AtariGym环境89
6.4训练深度Q-Learner玩Atari游戏98
6.4.1整合一个完整的深度Q-Learner98
6.4.2超参数101
6.4.3启动训练过程102
6.4.4在Atari游戏中测试深度Q-Learner的性能103
6.5小结104
第7章创建自定义OpenAIGym环境——CARLA105
7.1理解Gym环境结构105
7.1.1为自定义Gym环境实现创建模板106
7.1.2在OpenAIGym环境中注册自定义环境108
7.2创建与OpenAIGym兼容的CARLA环境108
7.2.1配置和初始化110
7.2.2实现reset方法111
7.2.3为CARLA环境实现step函数115
7.2.4测试CARLAGym环境120
7.3小结122
第8章用深度演员-评论家算法实现无人驾驶智能体123
8.1深度n步优势演员-评论家算法123
8.1.1策略梯度124
8.1.2演员-评论家算法126
8.1.3优势演员-评论家算法127
8.1.4n步优势演员-评论家算法129
8.1.5深度n步优势演员-评论家算法132
8.2实现深度n步优势演员-评论家智能体133
8.2.1初始化演员和评论家网络133
8.2.2用当前策略获取n步经验137
8.2.3计算演员和评论家的损失137
8.2.4更新演员-评论家模型139
8.2.5用于保存/加载、记录、可视化和监视的工具139
8.2.6扩展——异步深度n步优势演员-评论家139
8.3训练一个“聪明”的自动驾驶智能体140
8.3.1训练和测试深度n步优势演员-评论家智能体140
8.3.2训练智能体在CARLA中驾驶车辆143
8.4小结144
第9章探索学习环境全景——Roboschool、GymRetro、StarCraft-Ⅱ和DeepMindLab145
9.1Gym接口兼容的环境146
9.1.1Roboschool146
9.1.2GymRetro150
9.2其他基于Python的开源学习环境153
9.2.1星际争霸Ⅱ—PySC2153
9.2.2DeepMindLab156
9.3小结160
第10章探索学习算法世界——DDPG(演员-评论家)、PPO(策略梯度)、Rainbow(基于值)161
10.1深度确定性策略梯度162
10.2近端策略优化163
10.3Rainbow165
10.3.1核心概念165
10.3.2优点及应用简要总结169
10.4小结170
普拉文·巴拉尼沙米(Praveen Palanisamy)专注于研究自主智能系统。他是通用汽车研发部门的 AI(人工智能)研究员,主要负责针对自动驾驶开发基于深度强化学习的规划和决策算法。在此之前,他在卡内基-梅隆大学机器人所从事自动导航的研究(包括可移动机器人的感知与智能),曾从零开始研发一个完整的、自动的机器人系统。
这是一本介绍用OpenAI Gym构建智能体的实战指南。全书先简要介绍智能体和学习环境的一些入门知识,概述强化学习和深度强化学习的基本概念和知识点,然后重点介绍OpenAI Gym的相关内容,随后在具体的Gym环境中运用强化学习算法构建智能体。本书还探讨了这些算法在游戏、自动驾驶领域的应用。
本书适合想用OpenAIGym构建智能体的读者阅读,也适合对强化学习和深度强化学习感兴趣的读者参考。读者应具备一定的Python编程基础。
一本介绍在OpenAI Gym环节中构建智能体的实战指南! 只需要专注算法的优化,无需浪费时间去搭建环境! ·从零起步,内容通俗易懂,轻松学习OpenAI Gym的用法 ·运用强化学习/深度强化学习算法构建智能体,不用浪费时间去搭建环境! ·案例应用侧重于游戏、自动驾驶领域,帮你解决基于智能体的领域问题! ·基于Python编程语言,讲解基本概念和应用知识,操作易上手!
这是一本介绍用 OpenAI Gym 构建智能体的实战指南。全书先简要介绍智能体和学习环境的一些入门知识,概述强化学习和深度强化学习的基本概念和知识点,然后重点介绍 OpenAI Gym 的相关内容,随后在具体的 Gym 环境中运用强化学习算法构建智能体。本书还探讨了这些算法在游戏、自动驾驶领域的应用。
本书适合想用 OpenAI Gym 构建智能体的读者阅读,也适合对强化学习和深度强化学习感兴趣的读者参考。读者应具备一定的 Python 编程基础。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格
