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
ویرایش: [2 ed.] نویسندگان: Richard S. Sutton, Andrew G. Barto سری: Adaptive Computation and Machine Learning ISBN (شابک) : 9780262193986 ناشر: The MIT Press سال نشر: 2018 تعداد صفحات: 548 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 86 Mb
در صورت تبدیل فایل کتاب Reinforcement Learning: An Introduction 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 آموزش تقویت: مقدمه 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.
نسخه جدید بهطور قابلتوجهی گسترش یافته و بهروز شده از یک متن پرکاربرد در یادگیری تقویتی، یکی از فعالترین حوزههای تحقیقاتی در هوش مصنوعی. یادگیری تقویتی، یکی از فعالترین حوزههای تحقیقاتی در هوش مصنوعی، یک رویکرد محاسباتی برای یادگیری است که به موجب آن یک عامل سعی میکند در تعامل با یک محیط پیچیده و نامطمئن، مجموع پاداشی را که دریافت میکند، به حداکثر برساند. در Reinforcement Learning، ریچارد ساتون و اندرو بارتو شرح واضح و ساده ای از ایده ها و الگوریتم های کلیدی این رشته ارائه می دهند. این ویرایش دوم به طور قابل توجهی گسترش یافته و به روز شده است و موضوعات جدیدی را ارائه می دهد و پوشش سایر موضوعات را به روز می کند. مانند نسخه اول، این ویرایش دوم بر روی الگوریتم های اصلی یادگیری آنلاین متمرکز است، با مواد ریاضی بیشتر در جعبه های سایه دار قرار داده شده است. بخش اول تا جایی که ممکن است یادگیری تقویتی را بدون فراتر رفتن از حالت جدولی که می توان راه حل های دقیقی برای آن یافت، پوشش می دهد. بسیاری از الگوریتم های ارائه شده در این بخش برای ویرایش دوم جدید هستند، از جمله UCB، Expected Sarsa و Double Learning. بخش دوم این ایدهها را به تقریب توابع، با بخشهای جدید درباره موضوعاتی مانند شبکههای عصبی مصنوعی و مبنای فوریه، گسترش میدهد و درمان گستردهای را برای روشهای یادگیری خارج از سیاست و روشهای گرادیان خطمشی ارائه میدهد. بخش سوم دارای فصول جدیدی در مورد روابط یادگیری تقویتی با روانشناسی و علوم اعصاب، و همچنین یک فصل مطالعات موردی به روز شده شامل AlphaGo و AlphaGo Zero، بازی Atari و استراتژی شرط بندی IBM Watson است. فصل آخر تأثیرات اجتماعی آینده یادگیری تقویتی را مورد بحث قرار می دهد.
The significantly expanded and updated new edition of a widely used text on reinforcement learning, one of the most active research areas in artificial intelligence. Reinforcement learning, one of the most active research areas in artificial intelligence, is a computational approach to learning whereby an agent tries to maximize the total amount of reward it receives while interacting with a complex, uncertain environment. In Reinforcement Learning, Richard Sutton and Andrew Barto provide a clear and simple account of the field's key ideas and algorithms. This second edition has been significantly expanded and updated, presenting new topics and updating coverage of other topics. Like the first edition, this second edition focuses on core online learning algorithms, with the more mathematical material set off in shaded boxes. Part I covers as much of reinforcement learning as possible without going beyond the tabular case for which exact solutions can be found. Many algorithms presented in this part are new to the second edition, including UCB, Expected Sarsa, and Double Learning. Part II extends these ideas to function approximation, with new sections on such topics as artificial neural networks and the Fourier basis, and offers expanded treatment of off-policy learning and policy-gradient methods. Part III has new chapters on reinforcement learning's relationships to psychology and neuroscience, as well as an updated case-studies chapter including AlphaGo and AlphaGo Zero, Atari game playing, and IBM Watson's wagering strategy. The final chapter discusses the future societal impacts of reinforcement learning.