دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: آموزشی ویرایش: نویسندگان: Leslie Pack Kaelbling سری: ISBN (شابک) : 9780792397052, 9780585336565 ناشر: سال نشر: 1996 تعداد صفحات: 280 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 23 مگابایت
در صورت تبدیل فایل کتاب Recent Advances in 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 پیشرفت های اخیر در 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.
پیشرفتهای اخیر در یادگیری تقویتی به تحقیقات فعلی در زمینهای هیجانانگیز میپردازد که در جوامع هوش مصنوعی و شبکههای عصبی محبوبیت زیادی پیدا کرده است. یادگیری تقویتی به پارادایم اولیه یادگیری ماشین تبدیل شده است. این برای مشکلاتی اعمال می شود که در آن یک عامل (مانند یک ربات، یک کنترل کننده فرآیند، یا یک موتور بازیابی اطلاعات) باید یاد بگیرد که چگونه رفتار کند و تنها اطلاعاتی در مورد موفقیت اقدامات فعلی خود ارائه دهد. این کتاب مجموعهای از مقالات مهم است که به موضوعاتی از جمله مبانی نظری رویکردهای برنامهنویسی پویا، نقش دانش قبلی و روشهایی برای بهبود عملکرد تکنیکهای یادگیری تقویتی میپردازد. این مقالات بر اساس کارهای قبلی ساخته شده و منبع مهمی برای دانشجویان و محققان در این منطقه خواهد بود. پیشرفتهای اخیر در یادگیری تقویتی یک جلد ویرایش شده از تحقیقات اصلی است که توسط همتایان بررسی شده است که شامل دوازده مشارکت دعوت شده توسط محققان برجسته است. این کار تحقیقاتی نیز به عنوان شماره ویژه یادگیری ماشین (جلد 22، شماره 1، 2 و 3) منتشر شده است.
Recent Advances in Reinforcement Learning addresses current research in an exciting area that is gaining a great deal of popularity in the Artificial Intelligence and Neural Network communities. Reinforcement learning has become a primary paradigm of machine learning. It applies to problems in which an agent (such as a robot, a process controller, or an information-retrieval engine) has to learn how to behave given only information about the success of its current actions. This book is a collection of important papers that address topics including the theoretical foundations of dynamic programming approaches, the role of prior knowledge, and methods for improving performance of reinforcement-learning techniques. These papers build on previous work and will form an important resource for students and researchers in the area. Recent Advances in Reinforcement Learning is an edited volume of peer-reviewed original research comprising twelve invited contributions by leading researchers. This research work has also been published as a special issue of Machine Learning (Volume 22, Numbers 1, 2 and 3).