دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Planning with Markov Decision Processes. An AI Perspective
دانلود کتاب برنامه ریزی با فرآیندهای تصمیم گیری مارکوف چشم انداز هوش مصنوعی
مشخصات کتاب
Planning with Markov Decision Processes. An AI Perspective
ویرایش:
نویسندگان: Mausam. Andrey Kolobov
سری: Synthesis Lectures on Artificial Intelligence and Machine Learning
ISBN (شابک) : 9781608458875
ناشر: Morgan & Claypool
سال نشر: 2012
تعداد صفحات: 197
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 1 مگابایت
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Planning with Markov Decision Processes. An AI Perspective 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 برنامه ریزی با فرآیندهای تصمیم گیری مارکوف چشم انداز هوش مصنوعی 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 برنامه ریزی با فرآیندهای تصمیم گیری مارکوف چشم انداز هوش مصنوعی
فرآیندهای تصمیم مارکوف (MDPs) به طور گسترده در هوش مصنوعی برای مدل‌سازی سناریوهای تصمیم‌گیری متوالی با دینامیک احتمالی محبوب هستند. آنها چارچوب انتخابی هنگام طراحی یک عامل هوشمند هستند که باید برای مدت طولانی در محیطی عمل کند که اقداماتش می تواند نتایج نامشخصی داشته باشد. MDP ها به طور فعال در دو زیر حوزه مرتبط هوش مصنوعی، برنامه ریزی احتمالی و یادگیری تقویتی مورد تحقیق قرار می گیرند. برنامه ریزی احتمالی مدل های شناخته شده ای را برای اهداف عامل و پویایی دامنه فرض می کند و بر تعیین نحوه رفتار عامل برای دستیابی به اهداف خود تمرکز می کند. از سوی دیگر، یادگیری تقویتی علاوه بر این، این مدل ها را بر اساس بازخوردی که عامل از محیط دریافت می کند، یاد می گیرد. این کتاب با تأکید بر دیدگاه الگوریتمی، مقدمه ای مختصر برای استفاده از MDP برای حل مسائل برنامه ریزی احتمالی ارائه می دهد. طیف وسیعی از این زمینه را از اصول اولیه گرفته تا الگوریتم های بهینه و تقریبی پیشرفته را پوشش می دهد. ابتدا مبانی نظری MDP ها و تکنیک های راه حل اساسی برای آنها را شرح می دهیم. سپس الگوریتم‌های بهینه مدرن مبتنی بر جستجوی اکتشافی و استفاده از نمایش‌های ساخت‌یافته را مورد بحث قرار می‌دهیم. تمرکز اصلی کتاب بر روی طرح‌های تقریب متعددی برای MDP است که در ادبیات هوش مصنوعی توسعه یافته‌اند. اینها شامل رویکردهای مبتنی بر تعیین، تکنیک‌های نمونه‌گیری، توابع اکتشافی، کاهش ابعاد و نمایش‌های سلسله مراتبی است. در نهایت، چندین برنامه افزودنی از کلاس‌های استاندارد MDP را به طور خلاصه معرفی می‌کنیم که مشکلات برنامه‌ریزی پیچیده‌تری را مدل‌سازی و حل می‌کنند. فهرست مطالب: مقدمه / MDP ها / الگوریتم های بنیادی / الگوریتم های جستجوی اکتشافی / الگوریتم های نمادین / الگوریتم های تقریبی / یادداشت های پیشرفته
توضیحاتی درمورد کتاب به خارجی
Markov Decision Processes (MDPs) are widely popular in Artificial Intelligence for modeling sequential decision-making scenarios with probabilistic dynamics. They are the framework of choice when designing an intelligent agent that needs to act for long periods of time in an environment where its actions could have uncertain outcomes. MDPs are actively researched in two related subareas of AI, probabilistic planning and reinforcement learning. Probabilistic planning assumes known models for the agent's goals and domain dynamics, and focuses on determining how the agent should behave to achieve its objectives. On the other hand, reinforcement learning additionally learns these models based on the feedback the agent gets from the environment. This book provides a concise introduction to the use of MDPs for solving probabilistic planning problems, with an emphasis on the algorithmic perspective. It covers the whole spectrum of the field, from the basics to state-of-the-art optimal and approximation algorithms. We first describe the theoretical foundations of MDPs and the fundamental solution techniques for them. We then discuss modern optimal algorithms based on heuristic search and the use of structured representations. A major focus of the book is on the numerous approximation schemes for MDPs that have been developed in the AI literature. These include determinization-based approaches, sampling techniques, heuristic functions, dimensionality reduction, and hierarchical representations. Finally, we briefly introduce several extensions of the standard MDP classes that model and solve even more complex planning problems. Table of Contents: Introduction / MDPs / Fundamental Algorithms / Heuristic Search Algorithms / Symbolic Algorithms / Approximation Algorithms / Advanced Notes
