{"product_id":"110880","title":"Apprentissage profond et Go ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYEhkrl12vPvg8Vs4iIwGhP9k17op.png?v=1765043511\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Apprentissage profond et Go \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/90323579\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eTransformons le bot Go, qui ne possède qu'un seul modèle, en un bot aux performances d'AlphaGo Zero.\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e AlphaGo, qui avait choqué et terrifié le monde en 2016, a été vaincu par AlphaGo Zero et a été discrètement retiré du jeu.\u003cbr\u003e Tout développeur ayant suivi le parcours spectaculaire d'AlphaGo a probablement déjà eu l'idée vague de créer un bot de go doté d'une intelligence artificielle.\u003cbr\u003e Construire un bot Go performant n'est pas aussi difficile qu'on pourrait le croire.\u003cbr\u003e Nous appliquons tout d'abord des techniques et des stratégies d'entraînement à l'aide de Keras, une bibliothèque d'apprentissage profond Python. \u003cbr\u003eDeuxièmement, c'est amusant de regarder le bot Baduk apprendre le Baduk tout seul.\u003cbr\u003e Vous trouverez des instructions détaillées dans ce livre.\u003cbr\u003e Lisons ce livre et utilisons largement la technologie d'apprentissage profond que nous avons apprise en construisant un bot Go.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e[Partie 1 : Notions de base]\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e CHAPITRE 1 : Vers l'apprentissage profond - Principes fondamentaux de l'apprentissage automatique\u003cbr\u003e 1.1 Qu'est-ce que l'apprentissage automatique ?\u003cbr\u003e __1.1.1 Quel est le lien entre l'apprentissage automatique et l'IA ?\u003cbr\u003e 1.1.2 Ce que l'apprentissage automatique peut et ne peut pas faire\u003cbr\u003e 1.2 Apprentissage automatique par le biais d'études de cas\u003cbr\u003e 1.2.1 Utilisation de l'apprentissage automatique dans les applications\u003cbr\u003e 1.2.2 Apprentissage supervisé\u003cbr\u003e 1.2.3 Apprentissage non supervisé\u003cbr\u003e 1.2.4 Apprentissage par renforcement\u003cbr\u003e 1.3 Apprentissage profond\u003cbr\u003e 1.4 Ce que vous apprendrez dans ce livre\u003cbr\u003e 1.5 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 2 : Go comme problème d'apprentissage automatique\u003cbr\u003e 2.1 Pourquoi les jeux ?\u003cbr\u003e 2.2 Une brève introduction au Baduk\u003cbr\u003e 2.2.1 Comprendre le plateau de go\u003cbr\u003e 2.2.2 Placement et ramassage des pierres\u003cbr\u003e 2.2.3 Fin de partie et calcul du score\u003cbr\u003e __2.2.4 Comprendre le modèle\u003cbr\u003e 2.3 Baduk pliable\u003cbr\u003e 2.4 Matériel pédagogique supplémentaire\u003cbr\u003e 2.5 Que pouvons-nous enseigner aux machines ?\u003cbr\u003e __2.5.1 Préparation du terrain\u003cbr\u003e __2.5.2 Trouvez le nombre suivant \u003cbr\u003e2.5.3 Réduire le nombre d'éléments à prendre en compte\u003cbr\u003e __2.5.4 Évaluation de l'état du jeu\u003cbr\u003e 2.6 Comment mesurer la puissance d'une IA de jeu de go\u003cbr\u003e __2.6.1 Rang général Baduk\u003cbr\u003e __2.6.2 Évaluation comparative de l'IA Go\u003cbr\u003e 2.7 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 3 : Créer votre premier robot Go\u003cbr\u003e 3.1 Représentation de Go en Python\u003cbr\u003e 3.1.1 Mise en place d'un plateau de go\u003cbr\u003e __3.1.2 Suivi des connexions dans Baduk : Connexions\u003cbr\u003e 3.1.3 Placement et retrait des pierres sur le plateau\u003cbr\u003e 3.2 Vérifier l'état du match et le nombre de fautes\u003cbr\u003e 3.2.1 Auto-recharge\u003cbr\u003e Correctif 3.2.2\u003cbr\u003e 3.3 Fin de la partie\u003cbr\u003e 3.4 Créer son premier bot : l’IA de go la plus faible imaginable\u003cbr\u003e 3.5 Accélération du jeu grâce au hachage Zobrist\u003cbr\u003e 3.6 Jouer contre des bots\u003cbr\u003e 3.7 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 2 : Apprentissage automatique et IA dans les jeux]\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e CHAPITRE 4 : Correspondances par recherche arborescente\u003cbr\u003e 4.1 Classification des jeux\u003cbr\u003e 4.2 Prédiction du nombre relatif à l'aide de la recherche minimax\u003cbr\u003e 4.3 Résolution du jeu du morpion : exemple du minimax\u003cbr\u003e 4.4 Réduction de l'espace de recherche par élagage\u003cbr\u003e 4.4.1 Réduction de la profondeur de recherche par évaluation de la position\u003cbr\u003e 4.4.2 Réduction de la largeur de recherche par élagage alpha-bêta \u003cbr\u003e4.5 Évaluation de l'état du jeu par recherche arborescente Monte Carlo\u003cbr\u003e 4.5.1 Implémentation de la recherche arborescente Monte Carlo en Python\u003cbr\u003e 4.5.2 Comment choisir ce qu'il faut explorer\u003cbr\u003e 4.5.3 Application de la recherche arborescente Monte Carlo au jeu de go\u003cbr\u003e 4.6 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 5 : PREMIERS PAS AVEC LES RÉSEAUX DE NEURONES\u003cbr\u003e 5.1 Un cas simple : Classification des chiffres manuscrits\u003cbr\u003e __5.1.1 Ensemble de données de chiffres manuscrits MNIST\u003cbr\u003e 5.1.2 Traitement des données MNIST\u003cbr\u003e 5.2 Notions de base des réseaux de neurones\u003cbr\u003e 5.2.1 Régression logistique avec des réseaux de neurones artificiels simples\u003cbr\u003e 5.2.2 Réseaux de neurones avec des sorties multidimensionnelles\u003cbr\u003e 5.3 Réseaux neuronaux directs\u003cbr\u003e 5.4 Qualité de nos prédictions : fonctions de perte et optimisation\u003cbr\u003e __5.4.1 Qu'est-ce qu'une fonction de perte ?\u003cbr\u003e 5.4.2 Erreur quadratique moyenne\u003cbr\u003e 5.4.3 Recherche du minimum de la fonction de perte\u003cbr\u003e 5.4.4 Descente de gradient pour trouver le minimum\u003cbr\u003e 5.4.5 Descente de gradient stochastique dans les fonctions de perte\u003cbr\u003e 5.4.6 Propagation des gradients en sens inverse à travers un réseau de neurones\u003cbr\u003e 5.5 Entraînement pas à pas d'un réseau neuronal avec Python\u003cbr\u003e 5.5.1 Couches de réseaux de neurones en Python\u003cbr\u003e 5.5.2 Couche d'activation dans les réseaux de neurones \u003cbr\u003e__5.5.3 Couches denses en Python en tant que composant des réseaux neuronaux à propagation avant\u003cbr\u003e 5.5.4 Construction d'un réseau neuronal séquentiel en Python\u003cbr\u003e __5.5.5 Classification des chiffres manuscrits à l'aide de réseaux neuronaux\u003cbr\u003e 5.6 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 6 : Conception d’un réseau neuronal pour les données Go\u003cbr\u003e 6.1 Conversion des jeux de Go pour les réseaux neuronaux\u003cbr\u003e 6.2 Création d'un jeu de recherche arborescente comme données d'entraînement pour un réseau de neurones\u003cbr\u003e 6.3 Utilisation de la bibliothèque d'apprentissage profond Keras\u003cbr\u003e __6.3.1 Comprendre les principes de conception Keras\u003cbr\u003e __6.3.2 Installation de la bibliothèque d'apprentissage profond Keras\u003cbr\u003e 6.3.3 Exécution du premier problème familier avec Keras\u003cbr\u003e 6.3.4 Prédiction des coups au jeu de go à l'aide de réseaux de neurones à propagation avant dans Keras\u003cbr\u003e 6.4 Analyse spatiale avec des réseaux de neurones convolutifs\u003cbr\u003e 6.4.1 Compréhension intuitive du rôle de la convolution\u003cbr\u003e 6.4.2 Construction d'un réseau neuronal convolutif avec Keras\u003cbr\u003e 6.4.3 Réduction spatiale par couches de regroupement\u003cbr\u003e 6.5 Prédire la probabilité d'un mouvement au Baduk\u003cbr\u003e 6.5.1 Utilisation de la fonction d'activation softmax dans la dernière couche\u003cbr\u003e 6.5.2 Perte d'entropie croisée dans les problèmes de classification \u003cbr\u003e6.6 Construction de réseaux neuronaux plus profonds à l'aide de la technique de dropout et des unités linéaires rectifiées\u003cbr\u003e 6.6.1 Suppression de certains neurones à des fins de standardisation\u003cbr\u003e 6.6.2 Fonction d'activation ReLU\u003cbr\u003e 6.7 Création d'un réseau neuronal de prédiction des coups de départ plus performant par la combinaison de fonctionnalités\u003cbr\u003e 6.8 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 7 Apprendre à partir des données : Les robots d’apprentissage profond\u003cbr\u003e 7.1 Importation des enregistrements de parties de Baduk\u003cbr\u003e __7.1.1 Format de fichier SGF\u003cbr\u003e 7.1.2 Télécharger et reproduire les enregistrements de parties de Go depuis KGS\u003cbr\u003e 7.2 Préparation des données Go pour l'apprentissage profond\u003cbr\u003e 7.2.1 Reproduction d'une partie de Go à l'aide d'enregistrements SGF\u003cbr\u003e __7.2.2 Création d'un préprocesseur de données Go\u003cbr\u003e 7.2.3 Création d'un générateur de données Go qui charge efficacement les données\u003cbr\u003e 7.2.4 Exécution parallèle du traitement et du générateur de données Go\u003cbr\u003e 7.3 Entraînement d'un modèle d'apprentissage profond à l'aide d'enregistrements de correspondance humaine\u003cbr\u003e 7.4 Création d'un convertisseur de données Go plus pratique\u003cbr\u003e 7.5 Entraînement efficace grâce aux méthodes de gradient adaptatif\u003cbr\u003e 7.5.1 Effondrement et dynamique en SGD\u003cbr\u003e 7.5.2 Optimisation des réseaux de neurones avec Adagrad \u003cbr\u003e7.5.3 Optimisation de la méthode du gradient adaptatif avec AdaDelta\u003cbr\u003e 7.6 Expérimentez et évaluez vous-même vos performances.\u003cbr\u003e 7.6.1 Structure du modèle et directives pour les tests d'hyperparamètres\u003cbr\u003e 7.6.2 Évaluation des indicateurs de performance à l'aide des données d'entraînement et de test\u003cbr\u003e 7.7 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 8 Déploiement de robots sur terrain nu\u003cbr\u003e 8.1 Construction d'un agent de prédiction de nombres à l'aide d'un réseau neuronal profond\u003cbr\u003e 8.2 Fournir le bot Baduk comme interface Web\u003cbr\u003e 8.2.1 Exemple de bot Go du début à la fin\u003cbr\u003e 8.3 Formation et déploiement d'un Go Bot dans le cloud\u003cbr\u003e 8.4 Protocole textuel Baduk pour les conversations avec d'autres bots\u003cbr\u003e 8.5 Affrontez d'autres bots en local\u003cbr\u003e 8.5.1 Quand un bot doit passer son tour ou abandonner\u003cbr\u003e 8.5.2 Jouer une partie entre un bot et un autre programme de Go\u003cbr\u003e 8.6 Déploiement d'un bot Go sur un serveur Go en ligne\u003cbr\u003e 8.6.1 Enregistrement d'un bot sur un serveur Go en ligne\u003cbr\u003e 8.7 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 9 L’apprentissage par l’expérience : l’apprentissage par renforcement\u003cbr\u003e 9.1 Cycle d'apprentissage par renforcement\u003cbr\u003e 9.2 Comment l'expérience va-t-elle nous changer ?\u003cbr\u003e 9.3 Création d'un agent apprenant \u003cbr\u003e9.3.1 Échantillonnage selon la distribution de probabilité\u003cbr\u003e __9.3.2 Restrictions relatives à la distribution de probabilité\u003cbr\u003e __9.3.3 Initialisation de l'agent\u003cbr\u003e __9.3.4 Chargement et sauvegarde des agents à partir de périphériques physiques\u003cbr\u003e 9.3.5 Mise en œuvre de la sélection des nombres\u003cbr\u003e 9.4 Auto-apprentissage : comment les programmes informatiques s’entraînent\u003cbr\u003e 9.4.1 Affichage des données d'expérience\u003cbr\u003e __9.4.2 Simulation de gros gibier\u003cbr\u003e 9.5 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 10 Apprentissage par renforcement à l'aide de gradients de politique\u003cbr\u003e 10.1 Comment définir une bonne décision dans un jeu aléatoire\u003cbr\u003e 10.2 Modification d'une politique de réseau neuronal par descente de gradient\u003cbr\u003e 10.3 Conseils pour l'entraînement en autonomie\u003cbr\u003e 10.3.1 Évaluation des améliorations de performance\u003cbr\u003e 10.3.2 Mesure des petites différences de performance\u003cbr\u003e __10.3.3 Optimiseur par descente de gradient stochastique (SGD)\u003cbr\u003e 10.4 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 11 Apprentissage par renforcement utilisant des techniques de valeur\u003cbr\u003e 11.1 Un jeu utilisant l'apprentissage par renforcement Q\u003cbr\u003e 11.2 Création d'un modèle Q-Learning avec Keras\u003cbr\u003e __11.2.1 Création d'un réseau neuronal à deux entrées avec Keras\u003cbr\u003e __11.2.2 Implémentation de la politique ε-gloutonne dans Keras\u003cbr\u003e 11.2.3 Entraînement de la fonction valeur d'action\u003cbr\u003e 11.3 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 12 : Apprentissage par renforcement acteur-critique \u003cbr\u003e12.1 Advantage vous indique quelles décisions sont importantes.\u003cbr\u003e __12.1.1 Qu'est-ce qu'un avantage ?\u003cbr\u003e 12.1.2 Trouver un avantage pendant votre propre partie\u003cbr\u003e 12.2 Conception d'un réseau neuronal pour l'apprentissage acteur-critique\u003cbr\u003e 12.3 Un jeu utilisant un agent acteur-critique\u003cbr\u003e 12.4 Entraînement d'un agent acteur-critique à l'aide de données empiriques\u003cbr\u003e 12.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 3 Le tout est plus grand que la somme de ses parties]\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e CHAPITRE 13 AlphaGo : Une collaboration de toutes les techniques d’IA\u003cbr\u003e 13.1 Entraînement du réseau neuronal d'AlphaGo\u003cbr\u003e 13.1.1 Structure du réseau neuronal d'AlphaGo\u003cbr\u003e __13.1.2 Convertisseur de plateau de go AlphaGo\u003cbr\u003e __13.1.3 Entraînement d'un réseau neuronal de politique de type AlphaGo\u003cbr\u003e 13.2 Initialisation d'un jeu auto-organisé avec un réseau neuronal de politique\u003cbr\u003e 13.3 Création d'un réseau neuronal de valeur à partir de ses propres données de jeu\u003cbr\u003e 13.4 Amélioration de la recherche à l'aide de réseaux neuronaux de politique et de réseaux neuronaux de valeur\u003cbr\u003e __13.4.1 Amélioration du déploiement de Monte Carlo grâce aux réseaux neuronaux\u003cbr\u003e __13.4.2 Parcours d'arbre à l'aide d'une fonction de valeur conjointe\u003cbr\u003e 13.4.3 Implémentation de l'algorithme de recherche d'AlphaGo \u003cbr\u003e13.5 Ce que vous devez réellement prendre en compte lors de l'entraînement de votre propre AlphaGo\u003cbr\u003e 13.6 Résumé\u003cbr\u003e\u003cbr\u003e CHAPITRE 14 AlphaGo Zero : Combinaison de l’apprentissage par renforcement et de la recherche arborescente\u003cbr\u003e 14.1 Construction d'un réseau neuronal pour la recherche arborescente\u003cbr\u003e 14.2 Recherche arborescente guidée avec des réseaux neuronaux\u003cbr\u003e __14.2.1 Descendre de l'arbre\u003cbr\u003e __14.2.2 Extension d'arbre\u003cbr\u003e __14.2.3 Sélectionner un numéro\u003cbr\u003e 14.3 Formation\u003cbr\u003e 14.4 Amélioration de la recherche par bruit de Dirichlet\u003cbr\u003e 14.5 Techniques modernes pour la construction de réseaux neuronaux plus profonds\u003cbr\u003e __14.5.1 Normalisation par lots\u003cbr\u003e __14.5.2 Réseau neuronal résiduel\u003cbr\u003e 14.6 Références supplémentaires\u003cbr\u003e 14.7 Résumé\u003cbr\u003e 14.8 Résumé\u003cbr\u003e\u003cbr\u003e Annexe A : Fondements mathématiques\u003cbr\u003e Annexe B Algorithme de rétropropagation\u003cbr\u003e Annexe C : Programme Go et serveur\u003cbr\u003e Annexe D : Formation et déploiement de bots à l’aide d’Amazon Web Services\u003cbr\u003e Annexe E : Enregistrement d’un bot sur un serveur Baduk en ligne\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate3038\/MidCate008\/303774551.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e ★ Approfondissons notre compréhension de l'apprentissage profond en créant un bot Go d'apprentissage profond. \u003cbr\u003eÀ la fin de ce livre, vous comprendrez non seulement comment le moteur de jeu de go de type AlphaGo a été implémenté, mais vous aurez également une compréhension très pratique des composantes clés des algorithmes d'IA modernes, tels que la recherche arborescente Monte Carlo, l'apprentissage profond et l'apprentissage par renforcement.\u003cbr\u003e L'auteur relie soigneusement ces sujets techniques à l'aide d'exemples intéressants de jeu de go, qui sont réellement jouables.\u003cbr\u003e Vous apprendrez également les bases du jeu de go, l'un des jeux les plus beaux et les plus stimulants jamais inventés.\u003cbr\u003e\u003cbr\u003e ★ Créez et déployez un bot Go d'apprentissage profond fonctionnant comme AlphaGo.\u003cbr\u003e Il fournit également du code Python fonctionnel et explique bien les concepts.\u003cbr\u003e Une fois que vous aurez pris connaissance du contenu du livre, vous serez guidé pas à pas dans la mise en œuvre de votre propre bot Baduk.\u003cbr\u003e Les sujets tels que les formats de données, la distribution et le cloud computing nécessaires au fonctionnement du bot Go sont également abordés en détail.\u003cbr\u003e Il vous montre également comment enregistrer un bot sur un serveur Go en ligne. \u003cbr\u003eEn résumé, ce livre explique l'intégralité du processus de création d'un bot Go équipé d'intelligence artificielle moderne et d'apprentissage automatique.\u003cbr\u003e\u003cbr\u003e ★ Principaux sujets abordés\u003cbr\u003e 1.\u003cbr\u003e Conception et entraînement d'une IA de jeu à apprentissage automatique\u003cbr\u003e 2.\u003cbr\u003e Améliorer l'IA des jeux classiques grâce à l'apprentissage profond\u003cbr\u003e 3.\u003cbr\u003e Mise en œuvre d'un réseau neuronal utilisé dans l'apprentissage profond\u003cbr\u003e\u003cbr\u003e ★ Résumé chapitre par chapitre\u003cbr\u003e [Partie 1 : Notions de base]\u003cbr\u003e Présente les concepts clés abordés dans le reste du livre.\u003cbr\u003e\u003cbr\u003e _Chapitre 1 Vers l'apprentissage profond - Un bref aperçu des bases de l'apprentissage automatique, de l'intelligence artificielle et de l'apprentissage profond.\u003cbr\u003e Explique comment ils sont interreliés et ce que les technologies dans ce domaine peuvent et ne peuvent pas faire.\u003cbr\u003e\u003cbr\u003e Chapitre 2 : Go comme problème d'apprentissage automatique\u003cbr\u003e Présente les règles du jeu de go et explique comment procéder pour enseigner ce jeu à un ordinateur.\u003cbr\u003e\u003cbr\u003e Chapitre 3 : Créer votre premier robot Go\u003cbr\u003e L'ensemble du processus de création d'un plateau de go, de placement des pierres de go dessus et de déroulement complet du jeu est implémenté en Python. \u003cbr\u003eÀ la fin de ce chapitre, vous serez capable de créer l'IA de Go la plus simple qui soit et qui fonctionne réellement.\u003cbr\u003e\u003cbr\u003e [Partie 2 : Apprentissage automatique et IA dans les jeux]\u003cbr\u003e Explique les fondements techniques et théoriques de la création d'une IA de jeu de go puissante.\u003cbr\u003e Nous présentons en particulier trois techniques qui ont été utilisées très efficacement dans AlphaGo : la recherche arborescente, les réseaux neuronaux et l’apprentissage par renforcement.\u003cbr\u003e\u003cbr\u003e Chapitre 4 : Correspondances par recherche arborescente\u003cbr\u003e Nous présentons un aperçu des algorithmes qui effectuent l'exploration et l'évaluation à chaque tour de jeu.\u003cbr\u003e Nous commencerons par construire une méthode de recherche minimax par force brute simple, puis nous progresserons vers des algorithmes plus avancés comme l'élagage alpha-bêta et la recherche Monte Carlo.\u003cbr\u003e\u003cbr\u003e Chapitre 5 : Premiers pas avec les réseaux neuronaux\u003cbr\u003e Une introduction pratique aux réseaux neuronaux artificiels.\u003cbr\u003e Nous allons implémenter en Python un réseau neuronal capable de reconnaître des chiffres manuscrits.\u003cbr\u003e\u003cbr\u003e Chapitre 6 : Conception d’un réseau neuronal pour les données Go \u003cbr\u003eNous expliquons comment les données de Go présentent des caractéristiques similaires aux données d'images et introduisons les réseaux neuronaux convolutifs pour la prédiction des mouvements.\u003cbr\u003e Dans ce chapitre, nous utiliserons Keras, une bibliothèque d'apprentissage profond utile pour la construction de modèles.\u003cbr\u003e\u003cbr\u003e Chapitre 7 : Apprendre à partir des données : Les robots d’apprentissage profond\u003cbr\u003e En utilisant les connaissances acquises dans les deux chapitres précédents, nous allons créer un bot Go basé sur un réseau neuronal profond.\u003cbr\u003e Nous entraînons le bot avec des données de matchs réels issues de parties amateurs et soulignons les limites de cette méthode.\u003cbr\u003e\u003cbr\u003e Chapitre 8 : Déploiement d'un bot sur un terrain nu\u003cbr\u003e Nous fournirons les bots à des tiers afin que les utilisateurs puissent jouer contre eux via une interface utilisateur.\u003cbr\u003e Vous apprendrez également à faire jouer votre bot contre d'autres bots, aussi bien en local que sur un serveur Go.\u003cbr\u003e\u003cbr\u003e Chapitre 9 : Apprendre par l’expérience : l’apprentissage par renforcement\u003cbr\u003e Apprenez les bases de l'apprentissage par renforcement et comment l'utiliser pour jouer au Go en solo.\u003cbr\u003e \u003cbr\u003eChapitre 10 : Apprentissage par renforcement à l’aide de gradients de politique\u003cbr\u003e Nous introduisons les gradients de politique, une méthode essentielle pour améliorer la prédiction des nombres au chapitre 7.\u003cbr\u003e\u003cbr\u003e Chapitre 11 : Apprentissage par renforcement à l’aide de techniques de valeur\u003cbr\u003e Nous allons examiner comment attribuer des valeurs aux positions sur l'échiquier en utilisant la méthode des valeurs, un outil très puissant lorsqu'il est combiné avec la recherche arborescente au chapitre 4.\u003cbr\u003e\u003cbr\u003e Chapitre 12 : Apprentissage par renforcement acteur-critique\u003cbr\u003e Nous présentons une technique permettant de choisir efficacement le prochain coup en prédisant la valeur à long terme étant donné la position sur l'échiquier et le prochain coup.\u003cbr\u003e\u003cbr\u003e [Le tout est plus grand que la somme de ses parties]\u003cbr\u003e Lorsque tous les composants développés précédemment sont combinés dans une application comme AlphaGo, ses performances atteignent leur apogée.\u003cbr\u003e Explication d'AlphaGo et d'AlphaGo Zero\u003cbr\u003e\u003cbr\u003e Chapitre 13 AlphaGo : Une collaboration de toutes les techniques d’IA\u003cbr\u003e Il s'agit là du point culminant du livre, tant sur le plan technique que mathématique. \u003cbr\u003eDans ce chapitre, nous discutons d'abord de la manière d'entraîner des données Go avec un réseau neuronal (chapitres 5 à 7), puis de le faire jouer une partie par lui-même (chapitres 8 à 11), puis de combiner cela avec une méthode de recherche arborescente intelligente (chapitre 4) pour créer un bot Go surhumain.\u003cbr\u003e\u003cbr\u003e Chapitre 14 AlphaGo Zero : Combinaison de l’apprentissage par renforcement et de la recherche arborescente\u003cbr\u003e Le dernier chapitre de ce livre aborde les dernières tendances en matière d'IA dans les jeux de société.\u003cbr\u003e Nous allons examiner de plus près la combinaison innovante de recherche arborescente et d'apprentissage par renforcement qui alimente AlphaGo Zero.\u003cbr\u003e\u003cbr\u003e [Annexe A : Fondements mathématiques]\u003cbr\u003e Nous passerons en revue les principes fondamentaux de l'algèbre linéaire et du calcul différentiel et intégral, et nous montrerons comment représenter certaines expressions algébriques linéaires à l'aide de la bibliothèque Python NumPy.\u003cbr\u003e\u003cbr\u003e [Annexe B, Algorithme de rétropropagation]\u003cbr\u003e Nous expliquons plus en détail, sur le plan mathématique, le processus d'apprentissage dans les réseaux neuronaux multiples utilisés au chapitre 5.\u003cbr\u003e\u003cbr\u003e [Annexe C : Programme et serveur Baduk]\u003cbr\u003e Fournit des informations complémentaires aux lecteurs qui souhaitent en savoir plus sur Baduk.\u003cbr\u003e \u003cbr\u003e[Annexe D : Formation et déploiement de bots à l'aide d'Amazon Web Services]\u003cbr\u003e Ce guide fournit des instructions pour exécuter un bot sur les serveurs cloud d'Amazon.\u003cbr\u003e\u003cbr\u003e [Annexe E : Enregistrement d'un bot sur un serveur Baduk en ligne]\u003cbr\u003e Nous connectons le bot que nous avons créé à un serveur de Go réputé afin que les joueurs de Go du monde entier puissent le tester.\u003cbr\u003e explique comment. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 1er juin 2020\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 444 pages | 183 × 235 × 30 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791162243152\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1162243155 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43892877000746,"sku":"110880","price":45.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/2c197b4a9a92d3da38e49905037079e6.jpg?v=1765381329","url":"https:\/\/librairie.coreenne.fr\/products\/110880","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}