ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Algorithms for Decision Making

دانلود کتاب الگوریتم های تصمیم گیری

Algorithms for Decision Making

مشخصات کتاب

Algorithms for Decision Making

ویرایش: [1 ed.] 
نویسندگان: , ,   
سری:  
ISBN (شابک) : 0262047012, 9780262047012 
ناشر: The MIT Press 
سال نشر: 2022 
تعداد صفحات: 700 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb 

قیمت کتاب (تومان) : 36,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Algorithms for Decision Making به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب الگوریتم های تصمیم گیری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب الگوریتم های تصمیم گیری

معرفی گسترده بر الگوریتم‌های تصمیم‌گیری در شرایط عدم قطعیت، معرفی فرمول‌های اساسی مسائل ریاضی و الگوریتم‌هایی برای حل آنها.

سیستم‌های تصمیم‌گیری خودکار یا سیستم‌های پشتیبانی تصمیم - مورد استفاده در برنامه هایی که طیفی از اجتناب از برخورد هواپیما تا غربالگری سرطان سینه را شامل می شود - باید به گونه ای طراحی شود که منابع مختلف عدم قطعیت را در نظر بگیرد و در عین حال اهداف متعدد را به دقت متعادل کند. این کتاب درسی مقدمه‌ای گسترده بر الگوریتم‌های تصمیم‌گیری در شرایط عدم قطعیت ارائه می‌کند، که فرمول‌های اساسی مسائل ریاضی و الگوریتم‌های حل آنها را پوشش می‌دهد.
 
این کتاب ابتدا به مشکل استدلال درباره عدم قطعیت و اهداف در تصمیم‌گیری‌های ساده می‌پردازد. یک نقطه در زمان، و سپس به مسائل تصمیم گیری متوالی در محیط های تصادفی که در آن نتایج اقدامات ما نامشخص است، روی می آورد. در ادامه به عدم قطعیت مدل می پردازد، زمانی که ما با یک مدل شناخته شده شروع نمی کنیم و باید یاد بگیریم که چگونه از طریق تعامل با محیط عمل کنیم. عدم قطعیت حالت، که در آن به دلیل اطلاعات ادراکی ناقص، وضعیت فعلی محیط را نمی دانیم. و زمینه های تصمیم گیری شامل چندین عامل. این کتاب در درجه اول بر برنامه ریزی و یادگیری تقویتی تمرکز دارد، اگرچه برخی از تکنیک های ارائه شده از عناصر یادگیری نظارت شده و بهینه سازی استفاده می کنند. الگوریتم ها در زبان برنامه نویسی جولیا پیاده سازی شده اند. شکل‌ها، مثال‌ها و تمرین‌ها شهود پشت رویکردهای مختلف ارائه‌شده را نشان می‌دهند.


توضیحاتی درمورد کتاب به خارجی

A broad introduction to algorithms for decision making under uncertainty, introducing the underlying mathematical problem formulations and the algorithms for solving them.

Automated decision-making systems or decision-support systems—used in applications that range from aircraft collision avoidance to breast cancer screening—must be designed to account for various sources of uncertainty while carefully balancing multiple objectives. This textbook provides a broad introduction to algorithms for decision making under uncertainty, covering the underlying mathematical problem formulations and the algorithms for solving them.
 
The book first addresses the problem of reasoning about uncertainty and objectives in simple decisions at a single point in time, and then turns to sequential decision problems in stochastic environments where the outcomes of our actions are uncertain. It goes on to address model uncertainty, when we do not start with a known model and must learn how to act through interaction with the environment; state uncertainty, in which we do not know the current state of the environment due to imperfect perceptual information; and decision contexts involving multiple agents. The book focuses primarily on planning and reinforcement learning, although some of the techniques presented draw on elements of supervised learning and optimization. Algorithms are implemented in the Julia programming language. Figures, examples, and exercises convey the intuition behind the various approaches presented.





نظرات کاربران