مشخصات کتاب

Reinforcement learning for cyber-physical systems with cybersecurity case studies

ویرایش:  
نویسندگان: Li. Chong,  Qiu. Meikang  
سری:  
ISBN (شابک) : 9781351006590, 1351006606 
ناشر: CRC Press 
سال نشر: 2019 
تعداد صفحات: [257] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

در صورت تبدیل فایل کتاب Reinforcement learning for cyber-physical systems with cybersecurity case studies 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 برای سیستم های فیزیکی سایبری با مطالعات موردی امنیت سایبری 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 برای سیستم های فیزیکی سایبری با مطالعات موردی امنیت سایبری

یادگیری تقویتی برای سیستم‌های فیزیکی-سایبری: مطالعات موردی امنیت سایبری از پیشرفت‌های اخیر در زمینه‌های یادگیری تقویتی (RL) و سیستم‌های فیزیکی-سایبری (CPSs) الهام گرفته شده است. ریشه در روانشناسی رفتاری، RL یکی از رشته های اصلی یادگیری ماشین است. متفاوت از سایر الگوریتم‌های یادگیری ماشین، مانند یادگیری تحت نظارت و یادگیری بدون نظارت، ویژگی کلیدی RL پارادایم یادگیری منحصربه‌فرد آن است، یعنی آزمون و خطا. در ترکیب با شبکه‌های عصبی عمیق، RL عمیق آنقدر قدرتمند می‌شود که بسیاری از سیستم‌های پیچیده را می‌توان به طور خودکار توسط عوامل هوش مصنوعی در سطحی مافوق بشری مدیریت کرد. از سوی دیگر، CPS ها برای متحول کردن جامعه ما در آینده نزدیک پیش بینی شده اند. چنین نمونه هایی شامل ساختمان های هوشمند نوظهور، حمل و نقل هوشمند و شبکه های برق است. با این حال، کنترل‌کننده برنامه‌نویسی دستی معمولی در CPS‌ها نه می‌تواند پیچیدگی فزاینده سیستم را مدیریت کند و نه به طور خودکار خود را با موقعیت‌های جدیدی که قبلاً هرگز با آن مواجه نشده است، تطبیق دهد. مشکل نحوه اعمال الگوریتم های RL عمیق موجود، یا توسعه الگوریتم های RL جدید برای فعال کردن CPS های تطبیقی ​​بلادرنگ، همچنان باز است. هدف این کتاب برقراری ارتباط بین دو حوزه با معرفی سیستماتیک مبانی و الگوریتم‌های RL است که هر کدام توسط یک یا چند نمونه پیشرفته CPS پشتیبانی می‌شوند تا به خوانندگان کمک کند تا شهود و سودمندی تکنیک‌های RL را درک کنند. ویژگی‌ها یادگیری تقویتی را معرفی می‌کند، از جمله موضوعات پیشرفته در RL. یادگیری تقویتی را در سیستم‌های فیزیکی سایبری و امنیت سایبری اعمال می‌کند. شامل نمونه‌ها و تمرین‌های پیشرفته در هر فصل دو مطالعه موردی امنیت سایبری ارائه می‌کند. یک متن ایده آل برای دانشجویان فارغ التحصیل یا دوره های کارشناسی ارشد/کارشناسی ارشد در زمینه های علوم، مهندسی، علوم کامپیوتر یا ریاضیات کاربردی است. همچنین برای محققان و مهندسان علاقه مند به امنیت سایبری، RL و CPS مفید خواهد بود. تنها دانش پیش زمینه مورد نیاز برای درک کتاب، دانش پایه ای از حساب دیفرانسیل و انتگرال و نظریه احتمالات است.  ادامه مطلب... div>
چکیده: یادگیری تقویتی برای سیستم‌های فیزیکی-سایبری: مطالعات موردی امنیت سایبری از پیشرفت‌های اخیر در زمینه‌های یادگیری تقویتی (RL) و سیستم‌های فیزیکی-سایبری (CPSs) الهام گرفته شده است. ریشه در روانشناسی رفتاری، RL یکی از رشته های اصلی یادگیری ماشین است. متفاوت از سایر الگوریتم های یادگیری ماشین، مانند یادگیری نظارت شده و یادگیری بدون نظارت، ویژگی کلیدی RL الگوی یادگیری منحصر به فرد آن است، یعنی آزمون و خطا. در ترکیب با شبکه‌های عصبی عمیق، RL عمیق آنقدر قدرتمند می‌شود که بسیاری از سیستم‌های پیچیده را می‌توان به طور خودکار توسط عوامل هوش مصنوعی در سطحی مافوق بشری مدیریت کرد. از سوی دیگر، CPS ها برای متحول کردن جامعه ما در آینده نزدیک پیش بینی شده اند. چنین نمونه هایی شامل ساختمان های هوشمند نوظهور، حمل و نقل هوشمند و شبکه های برق است. با این حال، کنترل‌کننده برنامه‌نویسی دستی معمولی در CPS‌ها نه می‌تواند پیچیدگی فزاینده سیستم را مدیریت کند و نه به طور خودکار خود را با موقعیت‌های جدیدی که قبلاً هرگز با آن مواجه نشده است، تطبیق دهد. مشکل نحوه اعمال الگوریتم های RL عمیق موجود، یا توسعه الگوریتم های RL جدید برای فعال کردن CPS های تطبیقی ​​بلادرنگ، همچنان باز است. هدف این کتاب برقراری ارتباط بین دو حوزه با معرفی سیستماتیک مبانی و الگوریتم‌های RL است که هر کدام توسط یک یا چند نمونه پیشرفته CPS پشتیبانی می‌شوند تا به خوانندگان کمک کند تا شهود و سودمندی تکنیک‌های RL را درک کنند. ویژگی‌ها یادگیری تقویتی را معرفی می‌کند، از جمله موضوعات پیشرفته در RL. یادگیری تقویتی را در سیستم‌های فیزیکی سایبری و امنیت سایبری اعمال می‌کند. شامل نمونه‌ها و تمرین‌های پیشرفته در هر فصل دو مطالعه موردی امنیت سایبری ارائه می‌کند. یک متن ایده آل برای دانشجویان فارغ التحصیل یا دوره های کارشناسی ارشد/کارشناسی ارشد در زمینه های علوم، مهندسی، علوم کامپیوتر یا ریاضیات کاربردی است. همچنین برای محققان و مهندسان علاقه مند به امنیت سایبری، RL و CPS مفید خواهد بود. تنها دانش پیش زمینه مورد نیاز برای قدردانی از کتاب، دانش پایه حساب دیفرانسیل و انتگرال و نظریه احتمالات است

توضیحاتی درمورد کتاب به خارجی

Reinforcement Learning for Cyber-Physical Systems: with Cybersecurity Case Studies was inspired by recent developments in the fields of reinforcement learning (RL) and cyber-physical systems (CPSs). Rooted in behavioral psychology, RL is one of the primary strands of machine learning. Different from other machine learning algorithms, such as supervised learning and unsupervised learning, the key feature of RL is its unique learning paradigm, i.e., trial-and-error. Combined with the deep neural networks, deep RL become so powerful that many complicated systems can be automatically managed by AI agents at a superhuman level. On the other hand, CPSs are envisioned to revolutionize our society in the near future. Such examples include the emerging smart buildings, intelligent transportation, and electric grids. However, the conventional hand-programming controller in CPSs could neither handle the increasing complexity of the system, nor automatically adapt itself to new situations that it has never encountered before. The problem of how to apply the existing deep RL algorithms, or develop new RL algorithms to enable the real-time adaptive CPSs, remains open. This book aims to establish a linkage between the two domains by systematically introducing RL foundations and algorithms, each supported by one or a few state-of-the-art CPS examples to help readers understand the intuition and usefulness of RL techniques. Features Introduces reinforcement learning, including advanced topics in RL Applies reinforcement learning to cyber-physical systems and cybersecurity Contains state-of-the-art examples and exercises in each chapter Provides two cybersecurity case studies Reinforcement Learning for Cyber-Physical Systems with Cybersecurity Case Studies is an ideal text for graduate students or junior/senior undergraduates in the fields of science, engineering, computer science, or applied mathematics. It would also prove useful to researchers and engineers interested in cybersecurity, RL, and CPS. The only background knowledge required to appreciate the book is a basic knowledge of calculus and probability theory.  Read more...
Abstract: Reinforcement Learning for Cyber-Physical Systems: with Cybersecurity Case Studies was inspired by recent developments in the fields of reinforcement learning (RL) and cyber-physical systems (CPSs). Rooted in behavioral psychology, RL is one of the primary strands of machine learning. Different from other machine learning algorithms, such as supervised learning and unsupervised learning, the key feature of RL is its unique learning paradigm, i.e., trial-and-error. Combined with the deep neural networks, deep RL become so powerful that many complicated systems can be automatically managed by AI agents at a superhuman level. On the other hand, CPSs are envisioned to revolutionize our society in the near future. Such examples include the emerging smart buildings, intelligent transportation, and electric grids. However, the conventional hand-programming controller in CPSs could neither handle the increasing complexity of the system, nor automatically adapt itself to new situations that it has never encountered before. The problem of how to apply the existing deep RL algorithms, or develop new RL algorithms to enable the real-time adaptive CPSs, remains open. This book aims to establish a linkage between the two domains by systematically introducing RL foundations and algorithms, each supported by one or a few state-of-the-art CPS examples to help readers understand the intuition and usefulness of RL techniques. Features Introduces reinforcement learning, including advanced topics in RL Applies reinforcement learning to cyber-physical systems and cybersecurity Contains state-of-the-art examples and exercises in each chapter Provides two cybersecurity case studies Reinforcement Learning for Cyber-Physical Systems with Cybersecurity Case Studies is an ideal text for graduate students or junior/senior undergraduates in the fields of science, engineering, computer science, or applied mathematics. It would also prove useful to researchers and engineers interested in cybersecurity, RL, and CPS. The only background knowledge required to appreciate the book is a basic knowledge of calculus and probability theory

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Foto Praktikum

دانلود کتاب جهان از چه ساخته شده است [THE SEARCH FOR THE ELEMENTS]

دانلود کتاب Genomics and evolution of microbial eukaryotes

دانلود کتاب The poetics of sovereignty in American literature, 1885-1910

دانلود کتاب Halliburton's Army