Apprentissage par renforcement pour des problèmes réels. Approche d'ingénierie
A

Apprentissage par renforcement pour des problèmes réels. Approche d'ingénierie

Algorithmes
reinforcement learning engineering approach Markov decision processes deep Q-networks policy gradients industrial applications practical implementation
Auteur
Phil Winder
Éditeur
BHV-Pétersbourg
Année
2023
Langue
Russe
201
Évaluer ce livre

Pour lire le livre, se connecter / s'inscrire

Aperçu du fragment

Livres similaires

Apprentissage par renforcement : Introduction. Deuxième édition

Apprentissage par renforcement : Introduction. Deuxième édition

Richard S. Sutton, Andrew G. Barto

Apprentissage par renforcement profond : théorie et pratique en Python

Apprentissage par renforcement profond : théorie et pratique en Python

Laura Gresser, Van Long Keng

Apprentissage par renforcement avec PyTorch : recueil de recettes

Apprentissage par renforcement avec PyTorch : recueil de recettes

Yu Si (Hayden) Liu

Algorithmes d'apprentissage par renforcement en Python. Description et développement d'algorithmes d'intelligence artificielle

Algorithmes d'apprentissage par renforcement en Python. Description et développement d'algorithmes d'intelligence artificielle

Andrea Lonza

Machine Learning et Intelligence Artificielle Appliqués pour les Ingénieurs

Machine Learning et Intelligence Artificielle Appliqués pour les Ingénieurs

Jeff Pross

Apprentissage automatique avec peu de codage

Apprentissage automatique avec peu de codage

Gwendoline Stripling, Michael Abel

Conception de systèmes d'apprentissage automatique

Conception de systèmes d'apprentissage automatique

Chip Huyen

Apprentissage profond du point de vue pratique

Apprentissage profond du point de vue pratique

Josh Patterson, Adam Gibson

Apprentissage automatique. Science et art de la conception d'algorithmes qui extraient des connaissances à partir des données.

Apprentissage automatique. Science et art de la conception d'algorithmes qui extraient des connaissances à partir des données.

Peter Flach

Machine Learning sans fioritures

Machine Learning sans fioritures

Andreï Bourkov