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 Layered learning in multiagent systems: a winning approach to robotic soccer

دانلود کتاب یادگیری لایه ای در سیستم های چند عاملی: رویکردی برنده برای فوتبال روباتیک

Layered learning in multiagent systems: a winning approach to robotic soccer

مشخصات کتاب

Layered learning in multiagent systems: a winning approach to robotic soccer

دسته بندی: الکترونیک: رباتیک
ویرایش:  
نویسندگان:   
سری: Intelligent Robotics and Autonomous Agents 
ISBN (شابک) : 0262194384 
ناشر: MIT 
سال نشر: 2000 
تعداد صفحات: 275 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 36,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Layered learning in multiagent systems: a winning approach to robotic soccer 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 یادگیری لایه ای در سیستم های چند عاملی: رویکردی برنده برای فوتبال روباتیک 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 یادگیری لایه ای در سیستم های چند عاملی: رویکردی برنده برای فوتبال روباتیک



این کتاب به سیستم‌های چند عاملی می‌پردازد که متشکل از تیم‌هایی از عوامل مستقل هستند که در محیط‌های بی‌درنگ، پر سر و صدا، مشارکتی و متخاصم عمل می‌کنند. این کتاب چهار سهم اصلی را در زمینه‌های یادگیری ماشین و سیستم‌های چندعاملی انجام می‌دهد. ابتدا، معماری را توصیف می‌کند که در آن یک ساختار تیمی انعطاف‌پذیر به عوامل عضو اجازه می‌دهد تا یک وظیفه را به نقش‌های انعطاف‌پذیر تجزیه کنند و نقش‌ها را در حین بازی تغییر دهند. دوم، یادگیری لایه‌ای را ارائه می‌کند، یک روش یادگیری ماشینی همه منظوره برای حوزه‌های پیچیده که در آن یادگیری نقشه‌برداری مستقیم از حسگرهای عامل به محرک‌های آن‌ها با روش‌های یادگیری ماشینی موجود غیرقابل حل است. سوم، این کتاب یک الگوریتم یادگیری تقویتی چند عاملی جدید را معرفی می‌کند - یادگیری تقویتی با پارتیشن بندی، انتقال غیرشفاف (TPOT-RL) - که برای حوزه‌هایی طراحی شده است که در آن عوامل لزوماً نمی‌توانند تغییرات حالت ناشی از اقدامات دیگر عوامل را مشاهده کنند. سهم نهایی یک سیستم چند عاملی کاملاً کارآمد است که یادگیری را در یک دامنه پر سر و صدا با هم تیمی ها و دشمنان در زمان واقعی در بر می گیرد - یک تیم فوتبال رباتیک شبیه سازی شده با کامپیوتر. مسابقات اخیر ربوکاپ RoboCup نه تنها به رباتیک‌ها کمک می‌کند تا نظریه‌های خود را در یک موقعیت واقعی اثبات کنند، بلکه توجه عمومی و حرفه‌ای قابل توجهی را به حوزه رباتیک هوشمند جلب کرده است. تیم CMUnited در سال 1999 مسابقه شبیه ساز استکهلم را برد و از حریفان خود با امتیاز جمعی نسبتاً چشمگیر 110-0 پیشی گرفت.


توضیحاتی درمورد کتاب به خارجی

This book looks at multiagent systems that consist of teams of autonomous agents acting in real-time, noisy, collaborative, and adversarial environments. The book makes four main contributions to the fields of machine learning and multiagent systems.First, it describes an architecture within which a flexible team structure allows member agents to decompose a task into flexible roles and to switch roles while acting. Second, it presents layered learning, a general-purpose machine-learning method for complex domains in which learning a mapping directly from agents' sensors to their actuators is intractable with existing machine-learning methods. Third, the book introduces a new multiagent reinforcement learning algorithm--team-partitioned, opaque-transition reinforcement learning (TPOT-RL)--designed for domains in which agents cannot necessarily observe the state-changes caused by other agents' actions. The final contribution is a fully functioning multiagent system that incorporates learning in a real-time, noisy domain with teammates and adversaries--a computer-simulated robotic soccer team.Peter Stone's work is the basis for the CMUnited Robotic Soccer Team, which has dominated recent RoboCup competitions. RoboCup not only helps roboticists to prove their theories in a realistic situation, but has drawn considerable public and professional attention to the field of intelligent robotics. The CMUnited team won the 1999 Stockholm simulator competition, outscoring its opponents by the rather impressive cumulative score of 110-0.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی