{"product_id":"138151","title":"Apprentissage profond à partir de zéro 4 ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCfJfoP9wfAQSYu86CUe72Pp6hf.png?v=1765060751\" 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 à partir de zéro 4 \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\/124640233\/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\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eLa série « Deep Learning from Scratch », cette fois-ci axée sur l'apprentissage par renforcement !\u003cbr\u003e De la théorie de base de l'apprentissage par renforcement à la résolution de problèmes et à l'apprentissage par renforcement profond, tout dans un seul livre !\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eLa caractéristique de ce livre, comme son titre l'indique, est de « construire à partir de zéro ».\u003cbr\u003e Apprenez en implémentant des algorithmes d'apprentissage par renforcement à partir de zéro, sans dépendre de bibliothèques externes dont le fonctionnement interne est inconnu.\u003cbr\u003e Comprendre les principes à l'aide d'images, résoudre des problèmes d'apprentissage par renforcement à l'aide des mathématiques, puis les mettre en œuvre par le biais du code pour réviser ce que vous avez appris.\u003cbr\u003e Le code est écrit de manière à être aussi concis que possible tout en révélant clairement les idées importantes de l'apprentissage par renforcement.\u003cbr\u003e Il est structuré de manière à ce que vous puissiez expérimenter à la fois la difficulté et le plaisir de l'apprentissage par renforcement en augmentant progressivement le niveau et en abordant divers problèmes.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\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\u003eCHAPITRE 1 : LE PROBLÈME DES BANDITS\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 Classification et apprentissage par renforcement automatique\u003cbr\u003e _1.2 Bandit Issue\u003cbr\u003e _1.3 Algorithme de bandit\u003cbr\u003e 1.4 Implémentation de l'algorithme Bandit\u003cbr\u003e _1.5 Problème anormal\u003cbr\u003e _1.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 2 Processus de décision markoviens\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003e_2.1 Qu'est-ce qu'un processus de décision markovien (MDP) ?\u003cbr\u003e _2.2 Environnement et agent sous forme de formules\u003cbr\u003e _2.3 Objectifs du MDP\u003cbr\u003e _2.4 Exemple MDP\u003cbr\u003e _2.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 3 Équation de Bellman\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 Dérivation de l'équation de Bellman\u003cbr\u003e _3.2 Exemple d'équation de Bellman\u003cbr\u003e _3.3 Fonction valeur-action (fonction Q) et équation de Bellman\u003cbr\u003e _3.4 Équation d'optimalité de Bellman\u003cbr\u003e _3.5 Exemple d'équation d'optimalité de Bellman\u003cbr\u003e _3.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 4 PROGRAMMATION DYNAMIQUE\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Programmation dynamique et évaluation des politiques\u003cbr\u003e _4.2 Vers un problème plus important\u003cbr\u003e 4.3 Méthode de répétition des politiques\u003cbr\u003e _4.4 Mise en œuvre de l'itération de la politique\u003cbr\u003e 4.5 Méthode de répétition des valeurs\u003cbr\u003e _4.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 5 Méthode de Monte Carlo\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Principes de base de la méthode de Monte Carlo\u003cbr\u003e 5.2 Évaluation des politiques à l'aide de la méthode de Monte Carlo\u003cbr\u003e 5.3 Mise en œuvre de la méthode de Monte Carlo\u003cbr\u003e 5.4 Politique de contrôle par la méthode de Monte Carlo\u003cbr\u003e _5.5 Échantillonnage hors stratégie et par importance\u003cbr\u003e _5.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 6 TD Law\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Évaluation des politiques à l'aide de la méthode TD\u003cbr\u003e _6.2 SARSA\u003cbr\u003e _6.3 SARSA hors politique\u003cbr\u003e _6.4 Q Course\u003cbr\u003e 6.5 Modèle de distribution et modèle d'échantillonnage\u003cbr\u003e _6.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 7 : RÉSEAUX DE NEURONES ET APPRENTISSAGE Q\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _7.1 Les bases de DeZero\u003cbr\u003e 7.2 Régression linéaire \u003cbr\u003e_7.3 Réseaux neuronaux\u003cbr\u003e _7.4 Apprentissage par renforcement Q et réseaux de neurones\u003cbr\u003e _7.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 8 DQN\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _8.1 OpenAI Gym\u003cbr\u003e _8.2 Technologie de base de DQN\u003cbr\u003e _8.3 DQN et Atari\u003cbr\u003e Extension DQN _8.4\u003cbr\u003e _8.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 9 GRADIENTS DE POLITIQUES\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 9.1 La méthode de gradient de politique la plus simple\u003cbr\u003e _9.2 RENFORCEMENT\u003cbr\u003e _9.3 Ligne de base\u003cbr\u003e _9.4 Acteur-Critique\u003cbr\u003e _9.5 Avantages des techniques fondées sur les politiques\u003cbr\u003e _9.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 10 Un pas de plus\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _10.1 Classification des algorithmes d'apprentissage par renforcement profond\u003cbr\u003e 10.2 Algorithmes avancés de la série de gradients de politique\u003cbr\u003e 10.3 Algorithmes avancés de la série DQN\u003cbr\u003e _10.4 Étude de cas\u003cbr\u003e 10.5 Défis et potentiels de l'apprentissage par renforcement profond\u003cbr\u003e _10.6 Résumé\u003cbr\u003e\u003cbr\u003e ANNEXE A Méthode de Monte Carlo hors stratégie\u003cbr\u003e A.1 Théorie de la méthode de Monte Carlo hors stratégie\u003cbr\u003e A.2 Mise en œuvre de la méthode de Monte Carlo hors stratégie\u003cbr\u003e\u003cbr\u003e ANNEXE B Méthode TD à n étapes\u003cbr\u003e\u003cbr\u003e ANNEXE C Comprendre le double DQN\u003cbr\u003e C.1 Qu'est-ce que le surapprentissage dans DQN ?\u003cbr\u003e C.2 Solutions de surapprentissage\u003cbr\u003e\u003cbr\u003e ANNEXE D Preuve par la méthode du gradient de politique\u003cbr\u003e D.1 Dérivation de la méthode de pente de la politique\u003cbr\u003e D.2 Dérivation de la ligne de base\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\/TopCate4414\/MidCate003\/441326102.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  \u003cdiv\u003e\n\u003cb\u003eLe meilleur moyen de maîtriser l'apprentissage par renforcement est de construire des bases solides !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e L'apprentissage profond est un domaine en pleine expansion, avec de nouveaux algorithmes et applications annoncés presque quotidiennement.\u003cbr\u003e Avec le rythme rapide du développement, les technologies et services connexes évoluent eux aussi rapidement, si bien que des choses autrefois populaires disparaissent aujourd'hui.\u003cbr\u003e Mais d'un autre côté, il y a des choses qui se sont transmises sans changement.\u003cbr\u003e Le savoir que vous acquerrez dans ce livre est immuable.\u003cbr\u003e Les idées et les techniques qui constituent la base de l'apprentissage par renforcement restent inchangées.\u003cbr\u003e Même les algorithmes modernes reposent sur des idées qui existent depuis longtemps.\u003cbr\u003e Des sujets tels que les principes fondamentaux de l'apprentissage par renforcement, les processus de décision markoviens, l'équation de Bellman, l'apprentissage Q et les réseaux neuronaux resteront importants. \u003cbr\u003ePar conséquent, pour comprendre l'apprentissage par renforcement actuel et même l'apprentissage par renforcement profond, il est en fait plus simple d'apprendre les bases de l'apprentissage par renforcement étape par étape.\u003cbr\u003e Nous prendrons soin d'expliquer chaque symbole de formule et chaque ligne de code afin que vous puissiez les lire même si vous ne possédez que des connaissances de base en Python et en mathématiques.\u003cbr\u003e J'espère que ce livre vous permettra d'apprendre les bases de l'apprentissage par renforcement et de découvrir la beauté de « ce qui ne change pas ».\u003cbr\u003e Que la Force soit avec vous tous…\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePublic cible\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e - Les lecteurs qui souhaitent apprendre correctement les principes de l'apprentissage par renforcement\u003cbr\u003e - Les développeurs qui souhaitent approfondir leurs connaissances en apprentissage profond\u003cbr\u003e - Débutants en science des données ayant des connaissances en Python et intéressés par l'apprentissage profond et l'apprentissage par renforcement.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eContenu principal\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e - Résolution du « problème du bandit », qui consiste à trouver séquentiellement le meilleur candidat parmi plusieurs candidats (Chapitre 1)\u003cbr\u003e - Définition d'un problème général d'apprentissage par renforcement comme un « processus de décision markovien » (Chapitre 2) \u003cbr\u003e- Dérivation de l'« équation de Bellman », qui est essentielle pour trouver la réponse optimale dans le processus de décision markovien (Chapitre 3)\u003cbr\u003e - Méthodes de résolution de l'équation de Bellman : programmation dynamique (chapitre 4), méthode de Monte Carlo (chapitre 5) et méthode TD (chapitre 6).\u003cbr\u003e - Découvrez l'apprentissage profond et appliquez-le aux algorithmes d'apprentissage par renforcement (Chapitre 7)\u003cbr\u003e - Apprenez à implémenter et à étendre DQN (Chapitre 8)\u003cbr\u003e Une approche différente de DQN : l’algorithme du gradient de politique (chapitre 9)\u003cbr\u003e - Algorithme A3C\/DDPG\/TRPO\/Rainbow et apprentissage par renforcement profond (Chapitre 10) \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 d'émission :\u003c\/strong\u003e 26 janvier 2024\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 372 pages | 684 g | 183 × 235 × 15 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 9791169211956\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 116921195X \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":43893204549674,"sku":"138151","price":38.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/08bb159a68bb5e7e849f2bfc9379b189.jpg?v=1765391885","url":"https:\/\/librairie.coreenne.fr\/products\/138151","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}