دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistical Reinforcement Learning: Modern Machine Learning Approaches
دانلود کتاب یادگیری تقویتی آماری: رویکردهای یادگیری ماشین مدرن
مشخصات کتاب
Statistical Reinforcement Learning: Modern Machine Learning Approaches
ویرایش:
نویسندگان: Sugiyama. Masashi
سری: Chapman & Hall/CRC Machine Learning & Pattern Recognition
ISBN (شابک) : 9781439856895, 1439856907
ناشر: CRC Press
سال نشر: 2015
تعداد صفحات: 206
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
قیمت کتاب (تومان) : 37,000
در صورت تبدیل فایل کتاب Statistical Reinforcement Learning: Modern Machine Learning Approaches 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 آماری: رویکردهای یادگیری ماشین مدرن 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 آماری: رویکردهای یادگیری ماشین مدرن
یادگیری تقویتی یک چارچوب ریاضی برای توسعه عوامل کامپیوتری است
که می توانند یک رفتار بهینه را با ارتباط دادن سیگنال های پاداش
عمومی با اقدامات گذشته خود بیاموزند. با برنامه‌های موفق متعدد
در هوش تجاری، کنترل کارخانه و بازی، چارچوب RL برای تصمیم‌گیری
در محیط‌های ناشناخته با مقادیر زیاد داده ایده‌آل است. ارائه
مقدمه‌ای به‌روز و در دسترس برای سبک زمینه، یادگیری تقویتی
آماری: رویکردهای یادگیری ماشین مدرن مفاهیم اساسی و الگوریتم های
عملی یادگیری تقویتی آماری را از th ارائه می دهد.
بیشتر بخوانید
...
چکیده: یادگیری تقویتی یک چارچوب ریاضی برای توسعه عوامل
کامپیوتری است که می‌توانند یک رفتار بهینه را از طریق ارتباط
دادن سیگنال‌های پاداش عمومی با اقدامات گذشته خود بیاموزند. با
برنامه‌های موفق متعدد در هوش تجاری، کنترل کارخانه و بازی،
چارچوب RL برای تصمیم‌گیری در محیط‌های ناشناخته با مقادیر زیاد
داده ایده‌آل است. ارائه مقدمه‌ای به‌روز و در دسترس در این
زمینه، آموزش تقویت آماری: مدرن رویکردهای یادگیری ماشین مفاهیم
اساسی و الگوریتم های عملی یادگیری تقویتی آماری را ارائه می دهد.
توضیحاتی درمورد کتاب به خارجی
Reinforcement learning is a mathematical framework for
developing computer agents that can learn an optimal behavior
by relating generic reward signals with its past actions. With
numerous successful applications in business intelligence,
plant control, and gaming, the RL framework is ideal for
decision making in unknown environments with large amounts of
data.Supplying an up-to-date and accessible introduction to
the field,
Statistical Reinforcement Learning: Modern Machine Learning
Approaches presents fundamental concepts and practical
algorithms of statistical reinforcement learning from
th. Read
more...
Abstract: Reinforcement learning is a mathematical framework
for developing computer agents that can learn an optimal
behavior by relating generic reward signals with its past
actions. With numerous successful applications in business
intelligence, plant control, and gaming, the RL framework is
ideal for decision making in unknown environments with large
amounts of data.Supplying an up-to-date and accessible
introduction to the field, Statistical Reinforcement Learning:
Modern Machine Learning Approaches presents fundamental
concepts and practical algorithms of statistical reinforcement
learning from th
فهرست مطالب
Content: Cover
Contents
Foreword
Preface
Author
Part I: Introduction
Chapter 1: Introduction to Reinforcement Learning
Part II: Model-Free Policy Iteration
Chapter 2: Policy Iteration with Value Function Approximation
Chapter 3: Basis Design for Value Function Approximation
Chapter 4: Sample Reuse in Policy Iteration
Chapter 5: Active Learning in Policy Iteration
Chapter 6: Robust Policy Iteration
Part III: Model-Free Policy Search
Chapter 7: Direct Policy Search by Gradient Ascent
Chapter 8: Direct Policy Search by Expectation-Maximization
Chapter 9: Policy-Prior Search Part IV: Model-Based Reinforcement LearningChapter 10: Transition Model Estimation
Chapter 11: Dimensionality Reduction for Transition Model Estimation
References
