Deep Reinforcement Learning: Fundamentals, Research and Applications

ویرایش:  
نویسندگان: Dong. H., Ding. Z., Zhang. S.  
سری:  
ISBN (شابک) : 9811540950, 9789811540950 
ناشر: Springer Singapore 
سال نشر: 2020 
تعداد صفحات: 514 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 44 Mb 

قیمت کتاب (تومان) : 36,000

یادگیری تقویتی عمیق (DRL) ترکیبی از یادگیری تقویتی (RL) و یادگیری عمیق است. توانسته است طیف وسیعی از وظایف تصمیم گیری پیچیده را که قبلاً برای یک ماشین دور از دسترس بودند حل کند و به موفقیت AlphaGo کمک کرد. علاوه بر این، برنامه های جدید متعددی را در حوزه هایی مانند مراقبت های بهداشتی، روباتیک، شبکه های هوشمند و امور مالی باز می کند.

این کتاب که به سه بخش اصلی تقسیم شده است، مقدمه ای جامع و مستقل از DRL را ارائه می دهد. بخش اول به معرفی مبانی یادگیری عمیق، یادگیری تقویتی (RL) و روش های پرکاربرد عمیق RL پرداخته و پیاده سازی آنها را مورد بحث قرار می دهد. بخش دوم موضوعات منتخب تحقیق DRL را پوشش می دهد، که برای کسانی که می خواهند در تحقیقات DRL تخصص داشته باشند مفید است. برای کمک به خوانندگان برای به دست آوردن درک عمیق از DRL و به کارگیری سریع تکنیک ها در عمل، بخش سوم برنامه های کاربردی انبوه، مانند سیستم حمل و نقل هوشمند و یادگیری اجرا را با توضیحات مفصل ارائه می دهد.

این کتاب برای دانشجویان علوم کامپیوتر، چه در مقطع کارشناسی و چه در مقطع کارشناسی ارشد، در نظر گرفته شده است که مایلند DRL را از ابتدا یاد بگیرند، اجرای آن را تمرین کنند و موضوعات تحقیق را بررسی کنند. همچنین برای مهندسان و متخصصانی که پیشینه یادگیری ماشین قوی ندارند، اما می‌خواهند به سرعت درک کنند که DRL چگونه کار می‌کند و از تکنیک‌ها در برنامه‌های خود استفاده می‌کنند، جذاب است.

Deep reinforcement learning (DRL) is the combination of reinforcement learning (RL) and deep learning. It has been able to solve a wide range of complex decision-making tasks that were previously out of reach for a machine, and famously contributed to the success of AlphaGo. Furthermore, it opens up numerous new applications in domains such as healthcare, robotics, smart grids and finance.

Divided into three main parts, this book provides a comprehensive and self-contained introduction to DRL. The first part introduces the foundations of deep learning, reinforcement learning (RL) and widely used deep RL methods and discusses their implementation. The second part covers selected DRL research topics, which are useful for those wanting to specialize in DRL research. To help readers gain a deep understanding of DRL and quickly apply the techniques in practice, the third part presents mass applications, such as the intelligent transportation system and learning to run, with detailed explanations.

The book is intended for computer science students, both undergraduate and postgraduate, who would like to learn DRL from scratch, practice its implementation, and explore the research topics. It also appeals to engineers and practitioners who do not have strong machine learning background, but want to quickly understand how DRL works and use the techniques in their applications.