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: 2014
نویسندگان: Doran Chakraborty
سری: Studies in Computational Intelligence
ISBN (شابک) : 3319026054, 9783319026053
ناشر: Springer
سال نشر: 2013
تعداد صفحات: 151
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Sample Efficient Multiagent Learning in the Presence of Markovian Agents 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 نمونه یادگیری چند کاره کارآمد در حضور نمایندگان مارکوویان 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.
مشکل یادگیری چند عاملی (یا MAL) مربوط به مطالعه این است که چگونه موجودیتهای هوشمند میتوانند در حضور چنین موجوداتی که به طور همزمان در حال تطبیق هستند یاد بگیرند و سازگار شوند. این مشکل اغلب در تنظیمات سبک ارائه شده توسط بازیهای ماتریسی مکرر (معروف به بازیهای معمولی) بررسی میشود. هدف این کتاب توسعه الگوریتمهای MAL برای چنین تنظیماتی است که به مجموعه جدیدی از اهدافی دست مییابد که قبلاً محقق نشدهاند. این کتاب به طور خاص به یادگیری در حضور یک کلاس جدید از رفتار عامل می پردازد که قبلاً در زمینه MAL مورد مطالعه یا مدل سازی قرار نگرفته است: رفتار عامل مارکووی. چندین چالش جدید هنگام تعامل با این دسته خاص از عوامل ایجاد می شود. این کتاب مجموعهای از گامها را در جهت ایجاد الگوریتمهای یادگیری کاملاً مستقل برمیدارد که هنگام تعامل با چنین عواملی، سودمندی را به حداکثر میرسانند. هر الگوریتم به طور دقیق با یک درمان رسمی کامل مشخص می شود که ویژگی های نظری کلیدی آن را روشن می کند.
The problem of Multiagent Learning (or MAL) is concerned with the study of how intelligent entities can learn and adapt in the presence of other such entities that are simultaneously adapting. The problem is often studied in the stylized settings provided by repeated matrix games (a.k.a. normal form games). The goal of this book is to develop MAL algorithms for such a setting that achieve a new set of objectives which have not been previously achieved. In particular this book deals with learning in the presence of a new class of agent behavior that has not been studied or modeled before in a MAL context: Markovian agent behavior. Several new challenges arise when interacting with this particular class of agents. The book takes a series of steps towards building completely autonomous learning algorithms that maximize utility while interacting with such agents. Each algorithm is meticulously specified with a thorough formal treatment that elucidates its key theoretical properties.
Front Matter....Pages 1-12
Introduction....Pages 1-5
Background....Pages 7-17
Learn or Exploit in Adversary Induced Markov Decision Processes....Pages 19-28
Convergence, Targeted Optimality and Safety in Multiagent Learning....Pages 29-47
Maximizing Social Welfare in the Presence of Markovian Agents....Pages 49-71
Targeted Modeling of Markovian Agents....Pages 73-97
Structure Learning in Factored MDPs....Pages 99-111
Related Work....Pages 113-123
Conclusion and Future Work....Pages 125-129
Back Matter....Pages 131-146