دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Fundamentals of Reinforcement Learning
دانلود کتاب مبانی یادگیری تقویتی
مشخصات کتاب
Fundamentals of Reinforcement Learning
ویرایش:
نویسندگان: Rafael Ris-Ala
سری:
ISBN (شابک) : 9783031373442, 9783031373459
ناشر: Springer
سال نشر: 2023
تعداد صفحات: 103
[97]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
قیمت کتاب (تومان) : 58,000
در صورت تبدیل فایل کتاب Fundamentals of Reinforcement Learning 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 مبانی یادگیری تقویتی 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 مبانی یادگیری تقویتی
توضیحاتی درمورد کتاب به خارجی
Artificial intelligence (AI) applications bring agility and modernity to our lives, and the reinforcement learning technique is at the forefront of this technology. It can outperform human competitors in strategy games, creative compositing, and autonomous movement. Moreover, it is just starting to transform our civilization. This book provides an introduction to AI, specifies machine learning techniques, and explores various aspects of reinforcement learning, approaching the latest concepts in a didactic and illustrated manner. It is aimed at students who want to be part of technological advances and professors engaged in the development of innovative applications, helping with academic and industrial challenges. Understanding the Fundamentals of Reinforcement Learning will allow you to: Understand essential AI concepts Gain professional experience Interpret sequential decision problems and solve them with reinforcement learning Learn how the Q-Learning algorithm works Practice with commented Python code Find advantageous directions
فهرست مطالب
Preface Acknowledgments Contents About the Author Abbreviations Chapter 1: Introduction 1.1 Artificial Intelligence 1.2 Machine Learning 1.3 Reinforcement Learning 1.4 History References Chapter 2: Concepts 2.1 Markov Chain 2.2 Markov Decision Process 2.3 Bellman Equation 2.4 Algorithm Approaches References Chapter 3: Q-Learning Algorithm 3.1 Operation of the Algorithm 3.2 Construction of the Q-Table References Chapter 4: Development Tools 4.1 OpenAI Gym 4.2 TF-Agents 4.3 Reinforcement Learning Toolbox 4.4 Keras 4.5 Data Sources References Chapter 5: Practice with Code 5.1 Getting to Know the Environment 5.2 Taking Random Actions 5.3 Training with the Algorithm 5.4 Testing the Q-Table 5.5 Testing the Trained Agent References Chapter 6: Recent Applications and Future Research 6.1 Artificial General Intelligence 6.2 Board Games 6.3 Digital Games 6.4 Robotics 6.5 Education 6.6 Quantum Mechanics 6.7 Mathematics References Index
