最新章節

• 14.2.3 學無止境
• 14.2.2 社交
• 14.2.1 不斷練習
• 14.2 探索你在AI領域的下一站
• 14.1 回顧——整體AI框架/藍圖
• 第14章 回顧與總結

• 14.2.3 學無止境 更新時間：2020-08-21 17:45:51
• 14.2.2 社交
• 14.2.1 不斷練習
• 14.2 探索你在AI領域的下一站
• 14.1 回顧——整體AI框架/藍圖
• 第14章 回顧與總結
• 13.6 小結
• 13.5.2 結果
• 13.5.1 安裝
• 13.5 演示
• 13.4.5 第5步——測試AI模型
• 13.4.4 第4步——訓練AI模型
• 13.4.3 第3步——構建經驗回放記憶
• 13.4.2 第2步——構建大腦
• 13.4.1 第1步——構建環境
• 13.4 技術實現
• 13.3.2 經驗回放記憶
• 13.3.1 大腦
• 13.3 AI解決方案
• 13.2.3 定義獎勵
• 13.2.2 定義行為
• 13.2.1 定義狀態
• 13.2 構建環境
• 13.1 要解決的問題
• 第13章 游戲中的AI——成為《貪吃蛇》大師
• 12.4 小結
• 12.3 深度卷積Q學習
• 12.2.4 第4步——全連接
• 12.2.3 第3步——扁平化
• 12.2.2 第2步——最大池化
• 12.2.1 第1步——卷積
• 12.2 CNN的工作原理
• 12.1 CNN有什么用途
• 第12章 深度卷積Q學習
• 11.6 小結
• 11.5 回顧——通用AI框架/藍圖
• 11.4 演示
• 11.3.2 技術實現
• 11.3.1 大腦
• 11.3 AI解決方案
• 11.2.8 最后的仿真示例
• 11.2.7 定義獎勵
• 11.2.6 定義行為
• 11.2.5 定義狀態
• 11.2.4 整體功能
• 11.2.3 仿真
• 11.2.2 關于服務器環境的假設
• 11.2.1 服務器環境中的常量和變量
• 11.2 構建環境
• 11.1 要解決的問題
• 第11章 商業中的AI——用深度Q學習使成本最小化
• 10.5 小結
• 10.4.4 安裝Kivy
• 10.4.3 安裝PyTorch
• 10.4.2 用Python 3.6創建一個虛擬環境
• 10.4.1 安裝Anaconda
• 10.4 演示
• 10.3.4 第4步——實現深度Q學習
• 10.3.3 第3步——實現經驗回放
• 10.3.2 第2步——創造神經網絡的架構
• 10.3.1 第1步——導入依賴庫
• 10.3 技術實現
• 10.2 AI解決方案回顧
• 10.1.5 獎勵
• 10.1.4 輸出行為
• 10.1.3 輸入狀態
• 10.1.2 設置參數
• 10.1.1 設定目標
• 10.1 構建環境
• 第10章 自動駕駛汽車中的AI——造一輛自動駕駛汽車
• 9.4 小結
• 9.3.4 深度Q學習的完整算法
• 9.3.3 經驗回放
• 9.3.2 深度Q學習回顧
• 9.3.1 歸一化指數方法
• 9.3 深度Q學習
• 9.2.6 梯度下降算法
• 9.2.5 正向傳播算法和反向傳播算法
• 9.2.4 神經網絡如何學習
• 9.2.3 神經網絡的工作原理
• 9.2.2 激活函數
• 9.2.1 神經元
• 9.2 深度學習理論
• 9.1.7 展示結果
• 9.1.6 訓練神經網絡
• 9.1.5 構建神經網絡
• 9.1.4 準備數據
• 9.1.3 排除變量
• 9.1.2 導入依賴庫
• 9.1.1 上傳數據集
• 9.1 預測房價
• 第9章 人工大腦——深度Q學習
• 8.3 小結
• 8.2.5 改進2——加入一個中間目標
• 8.2.4 改進1——自動化獎勵分配
• 8.2.3 第3部分——進入推斷模式
• 8.2.2 第2部分——用Q學習構建AI解決方案
• 8.2.1 第1部分——構建環境
• 8.2 技術實現
• 8.1.4 AI解決方案回顧
• 8.1.3 獎勵
• 8.1.2 行為
• 8.1.1 狀態
• 8.1 構建環境
• 第8章 物流行業中的AI——倉庫中的機器人
• 7.3 小結
• 7.2.2 推斷模式
• 7.2.1 訓練模式
• 7.2 Q學習的完整流程
• 7.1.3 構建AI模型
• 7.1.2 構建環境
• 7.1.1 第一步
• 7.1 迷宮
• 第7章 歡迎來到Q學習
• 6.5 小結
• 6.4.3 最終結果
• 6.4.2 開始編程
• 6.4.1 湯普森采樣與隨機策略選擇
• 6.4 技術實現
• 6.3.2 直覺
• 6.3.1 AI解決方案
• 6.3 AI解決方案及其直覺的回顧
• 6.2.2 回顧
• 6.2.1 運行仿真程序
• 6.2 用仿真構建AI環境
• 6.1 待解決的問題
• 第6章 銷售和廣告中的AI——像“AI街之狼”一樣銷售
• 5.3 小結
• 5.2.7 湯普森采樣模型與標準模型
• 5.2.6 湯普森采樣模型的臨門一腳
• 5.2.5 湯普森采樣策略三步走
• 5.2.4 應對多臂老虎機問題
• 5.2.3 什么是分布
• 5.2.2 理解模型
• 5.2.1 模型編程
• 5.2 湯普森采樣模型
• 5.1 多臂老虎機問題
• 第5章 你的第一個AI模型——小心老虎機
• 4.3 小結
• 4.2.5 原理#5——訓練與推斷
• 4.2.4 原理#4——馬爾可夫決策過程
• 4.2.3 原理#3——AI環境
• 4.2.2 原理#2——獎勵
• 4.2.1 原理#1——輸入與輸出系統
• 4.2 強化學習的五大原理
• 4.1 什么是強化學習
• 第4章 AI基礎技巧
• 3.8 小結
• 3.7 類和對象
• 3.6 函數
• 3.5 for循環和while循環
• 3.4 if語句和條件
• 3.3 列表和數組
• 3.2 變量和操作
• 3.1 顯示文本
• 第3章 Python基礎——學習如何用Python編程
• 2.3 小結
• 2.2 Colaboratory運行環境
• 2.1 GitHub源代碼頁面
• 第2章 探索你的AI工具包
• 1.4 小結
• 1.3 學習AI可以讓你做什么
• 1.2 四種不同的AI模型
• 1.1 開始你的AI旅程
• 第1章 歡迎來到機器人世界
• 審校者簡介
• 作者簡介
• 前言
• 譯者序
• 版權信息
• 封面

• 封面
• 版權信息
• 譯者序
• 前言
• 作者簡介
• 審校者簡介
• 第1章 歡迎來到機器人世界
• 1.1 開始你的AI旅程
• 1.2 四種不同的AI模型
• 1.3 學習AI可以讓你做什么
• 1.4 小結
• 第2章 探索你的AI工具包
• 2.1 GitHub源代碼頁面
• 2.2 Colaboratory運行環境
• 2.3 小結
• 第3章 Python基礎——學習如何用Python編程
• 3.1 顯示文本
• 3.2 變量和操作
• 3.3 列表和數組
• 3.4 if語句和條件
• 3.5 for循環和while循環
• 3.6 函數
• 3.7 類和對象
• 3.8 小結
• 第4章 AI基礎技巧
• 4.1 什么是強化學習
• 4.2 強化學習的五大原理
• 4.2.1 原理#1——輸入與輸出系統
• 4.2.2 原理#2——獎勵
• 4.2.3 原理#3——AI環境
• 4.2.4 原理#4——馬爾可夫決策過程
• 4.2.5 原理#5——訓練與推斷
• 4.3 小結
• 第5章 你的第一個AI模型——小心老虎機
• 5.1 多臂老虎機問題
• 5.2 湯普森采樣模型
• 5.2.1 模型編程
• 5.2.2 理解模型
• 5.2.3 什么是分布
• 5.2.4 應對多臂老虎機問題
• 5.2.5 湯普森采樣策略三步走
• 5.2.6 湯普森采樣模型的臨門一腳
• 5.2.7 湯普森采樣模型與標準模型
• 5.3 小結
• 第6章 銷售和廣告中的AI——像“AI街之狼”一樣銷售
• 6.1 待解決的問題
• 6.2 用仿真構建AI環境
• 6.2.1 運行仿真程序
• 6.2.2 回顧
• 6.3 AI解決方案及其直覺的回顧
• 6.3.1 AI解決方案
• 6.3.2 直覺
• 6.4 技術實現
• 6.4.1 湯普森采樣與隨機策略選擇
• 6.4.2 開始編程
• 6.4.3 最終結果
• 6.5 小結
• 第7章 歡迎來到Q學習
• 7.1 迷宮
• 7.1.1 第一步
• 7.1.2 構建環境
• 7.1.3 構建AI模型
• 7.2 Q學習的完整流程
• 7.2.1 訓練模式
• 7.2.2 推斷模式
• 7.3 小結
• 第8章 物流行業中的AI——倉庫中的機器人
• 8.1 構建環境
• 8.1.1 狀態
• 8.1.2 行為
• 8.1.3 獎勵
• 8.1.4 AI解決方案回顧
• 8.2 技術實現
• 8.2.1 第1部分——構建環境
• 8.2.2 第2部分——用Q學習構建AI解決方案
• 8.2.3 第3部分——進入推斷模式
• 8.2.4 改進1——自動化獎勵分配
• 8.2.5 改進2——加入一個中間目標
• 8.3 小結
• 第9章 人工大腦——深度Q學習
• 9.1 預測房價
• 9.1.1 上傳數據集
• 9.1.2 導入依賴庫
• 9.1.3 排除變量
• 9.1.4 準備數據
• 9.1.5 構建神經網絡
• 9.1.6 訓練神經網絡
• 9.1.7 展示結果
• 9.2 深度學習理論
• 9.2.1 神經元
• 9.2.2 激活函數
• 9.2.3 神經網絡的工作原理
• 9.2.4 神經網絡如何學習
• 9.2.5 正向傳播算法和反向傳播算法
• 9.2.6 梯度下降算法
• 9.3 深度Q學習
• 9.3.1 歸一化指數方法
• 9.3.2 深度Q學習回顧
• 9.3.3 經驗回放
• 9.3.4 深度Q學習的完整算法
• 9.4 小結
• 第10章 自動駕駛汽車中的AI——造一輛自動駕駛汽車
• 10.1 構建環境
• 10.1.1 設定目標
• 10.1.2 設置參數
• 10.1.3 輸入狀態
• 10.1.4 輸出行為
• 10.1.5 獎勵
• 10.2 AI解決方案回顧
• 10.3 技術實現
• 10.3.1 第1步——導入依賴庫
• 10.3.2 第2步——創造神經網絡的架構
• 10.3.3 第3步——實現經驗回放
• 10.3.4 第4步——實現深度Q學習
• 10.4 演示
• 10.4.1 安裝Anaconda
• 10.4.2 用Python 3.6創建一個虛擬環境
• 10.4.3 安裝PyTorch
• 10.4.4 安裝Kivy
• 10.5 小結
• 第11章 商業中的AI——用深度Q學習使成本最小化
• 11.1 要解決的問題
• 11.2 構建環境
• 11.2.1 服務器環境中的常量和變量
• 11.2.2 關于服務器環境的假設
• 11.2.3 仿真
• 11.2.4 整體功能
• 11.2.5 定義狀態
• 11.2.6 定義行為
• 11.2.7 定義獎勵
• 11.2.8 最后的仿真示例
• 11.3 AI解決方案
• 11.3.1 大腦
• 11.3.2 技術實現
• 11.4 演示
• 11.5 回顧——通用AI框架/藍圖
• 11.6 小結
• 第12章 深度卷積Q學習
• 12.1 CNN有什么用途
• 12.2 CNN的工作原理
• 12.2.1 第1步——卷積
• 12.2.2 第2步——最大池化
• 12.2.3 第3步——扁平化
• 12.2.4 第4步——全連接
• 12.3 深度卷積Q學習
• 12.4 小結
• 第13章 游戲中的AI——成為《貪吃蛇》大師
• 13.1 要解決的問題
• 13.2 構建環境
• 13.2.1 定義狀態
• 13.2.2 定義行為
• 13.2.3 定義獎勵
• 13.3 AI解決方案
• 13.3.1 大腦
• 13.3.2 經驗回放記憶
• 13.4 技術實現
• 13.4.1 第1步——構建環境
• 13.4.2 第2步——構建大腦
• 13.4.3 第3步——構建經驗回放記憶
• 13.4.4 第4步——訓練AI模型
• 13.4.5 第5步——測試AI模型
• 13.5 演示
• 13.5.1 安裝
• 13.5.2 結果
• 13.6 小結
• 第14章 回顧與總結
• 14.1 回顧——整體AI框架/藍圖
• 14.2 探索你在AI領域的下一站
• 14.2.1 不斷練習
• 14.2.2 社交
• 14.2.3 學無止境 更新時間：2020-08-21 17:45:51