جلد سخت سیاه و سفید
Product details
- Publisher : O'Reilly Media; 1st edition (July 12, 2022)
- Language : English
- Paperback : 331 pages
- ISBN-10 : 1492089923
- ISBN-13 : 978-1492089926
کتاب Practical Simulations for Machine Learning: Using Synthetic Data for AI
Simulation and synthesis are core parts of the future of AI and machine learning. Consider: programmers, data scientists, and machine learning engineers can create the brain of a self-driving car without the car. Rather than use information from the real world, you can synthesize artificial data using simulations to train traditional machine learning models. Thatâ??s just the beginning.
With this practical book, youâ??ll explore the possibilities of simulation- and synthesis-based machine learning and AI, concentrating on deep reinforcement learning and imitation learning techniques. AI and ML are increasingly data driven, and simulations are a powerful, engaging way to unlock their full potential.
You'll learn how to:
- Design an approach for solving ML and AI problems using simulations with the Unity engine
- Use a game engine to synthesize images for use as training data
- Create simulation environments designed for training deep reinforcement learning and imitation learning models
- Use and apply efficient general-purpose algorithms for simulation-based ML, such as proximal policy optimization
- Train a variety of ML models using different approaches
- Enable ML tools to work with industry-standard game development tools, using PyTorch, and the Unity ML-Agents and Perception Toolkits
منابع کتاب کتاب Practical Simulations for Machine Learning: Using Synthetic Data for AI
شبیه‌سازی و سنتز بخش‌های اصلی آینده هوش مصنوعی و یادگیری ماشینی هستند. در نظر بگیرید: برنامه نویسان، دانشمندان داده و مهندسان یادگیری ماشین می توانند مغز یک ماشین خودران را بدون ماشین ایجاد کنند. به جای استفاده از اطلاعات دنیای واقعی، می‌توانید داده‌های مصنوعی را با استفاده از شبیه‌سازی برای آموزش مدل‌های یادگیری ماشین سنتی ترکیب کنید. این فقط آغاز است.
با این کتاب کاربردی، امکان یادگیری ماشین و هوش مصنوعی مبتنی بر شبیه سازی و سنتز را بررسی خواهید کرد و بر یادگیری تقویتی عمیق و تکنیک های یادگیری تقلید تمرکز خواهید کرد. هوش مصنوعی و ML به طور فزاینده ای مبتنی بر داده ها هستند و شبیه سازی ها روشی قدرتمند و جذاب برای باز کردن پتانسیل کامل آنها هستند.
شما یاد خواهید گرفت که چگونه:
- طراحی رویکردی برای حل مشکلات ML و AI با استفاده از شبیه سازی با موتور Unity
- از یک موتور بازی برای ترکیب تصاویر برای استفاده به عنوان داده های آموزشی استفاده کنید
- ایجاد محیط های شبیه سازی طراحی شده برای آموزش یادگیری تقویتی عمیق و مدل های یادگیری تقلیدی
- استفاده و اعمال الگوریتم های همه منظوره کارآمد برای ML مبتنی بر شبیه سازی، مانند بهینه سازی خط مشی پروگزیمال
- انواع مدل های ML را با استفاده از رویکردهای مختلف آموزش دهید
- ابزارهای ML را برای کار با ابزارهای توسعه بازی استاندارد صنعتی، با استفاده از PyTorch و Unity ML-Agents و Perception Toolkits فعال کنید.
ارسال نظر درباره کتاب Practical Simulations for Machine Learning: Using Synthetic Data for AI