دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Reinforcement Learning
دانلود کتاب یادگیری تقویتی
مشخصات کتاب
Reinforcement Learning
ویرایش:
نویسندگان: Edited by: Cornelius Weber. Mark Elshaw and Norbert Michael Mayer
سری:
ISBN (شابک) : 9783902613141
ناشر:
سال نشر:
تعداد صفحات: 434
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
قیمت کتاب (تومان) : 37,000
در صورت تبدیل فایل کتاب 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 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 یادگیری تقویتی
مغزها بر جهان حکومت می کنند و محاسبات مغز مانند به طور فزاینده ای در رایانه ها و دستگاه های الکترونیکی استفاده می شود. محاسبات مغز مانند در مورد پردازش و تفسیر داده ها یا ارائه مستقیم و انجام اقدامات است. یادگیری یک جنبه بسیار مهم است. این کتاب در مورد یادگیری تقویتی است که شامل انجام اقدامات برای رسیدن به یک هدف است. 11 فصل اول این کتاب به تشریح و گسترش دامنه یادگیری تقویتی می پردازد. 11 فصل باقی مانده نشان می دهد که در حال حاضر استفاده گسترده ای در زمینه های متعدد وجود دارد. یادگیری تقویتی می‌تواند وظایف کنترلی را که برای کنترل‌کننده‌های سنتی، طراحی‌شده دستی و غیر یادگیرنده بسیار پیچیده هستند، انجام دهد. از آنجایی که کامپیوترهای یادگیری می توانند با پیچیدگی های فنی کنار بیایند، وظایف اپراتورهای انسانی همچنان تعیین اهداف در سطوح بالاتری است. این کتاب نشان می‌دهد که یادگیری تقویتی از نظر تئوری و کاربرد، حوزه بسیار پویایی است و باید تحقیقات جدید در این زمینه را تحریک و تشویق کند.
توضیحاتی درمورد کتاب به خارجی
Brains rule the world, and brain-like computation is increasingly used in computers and electronic devices. Brain-like computation is about processing and interpreting data or directly putting forward and performing actions. Learning is a very important aspect. This book is on reinforcement learning which involves performing actions to achieve a goal. The first 11 chapters of this book describe and extend the scope of reinforcement learning. The remaining 11 chapters show that there is already wide usage in numerous fields. Reinforcement learning can tackle control tasks that are too complex for traditional, hand-designed, non-learning controllers. As learning computers can deal with technical complexities, the tasks of human operators remain to specify goals on increasingly higher levels. This book shows that reinforcement learning is a very dynamic area in terms of theory and applications and it shall stimulate and encourage new research in this field.
