Decision Making Under Uncertainty and Reinforcement Learning: Theory and Algorithms

این کتاب تحقیقات اخیر در تصمیم گیری در شرایط عدم قطعیت، به ویژه یادگیری و یادگیری تقویتی را با مشاوره تخصصی ارائه می دهد. عناصر اصلی تئوری تصمیم، فرآیندهای تصمیم مارکوف و یادگیری تقویتی قبلاً در یک حجم مختصر جمع آوری نشده اند. هدف ما از این کتاب ارائه یک پایه نظری محکم با براهین ابتدایی مهم‌ترین قضایای این حوزه بود که همه در یک مکان جمع‌آوری شده‌اند و معمولاً در کتاب‌های درسی مقدماتی یافت نمی‌شوند. مخاطب این کتاب دانشجویان تحصیلات تکمیلی است که به تصمیم گیری آماری در شرایط عدم قطعیت و مبانی یادگیری تقویتی علاقه مند هستند.

This book presents recent research in decision making under uncertainty, in particular reinforcement learning and learning with expert advice. The core elements of decision theory, Markov decision processes and reinforcement learning have not been previously collected in a concise volume. Our aim with this book was to provide a solid theoretical foundation with elementary proofs of the most important theorems in the field, all collected in one place, and not typically found in
introductory textbooks.  This book is addressed to graduate students that are interested in statistical decision making under uncertainty and the foundations of reinforcement learning.