دانلود کتاب Reinforcement Learning: An Introduction, 2nd Edition (به فارسی: یادگیری تقویتی: مقدمه، ویرایش دوم) نوشته شده توسط «Richard S. Sutton – Andrew G Barto»
اطلاعات کتاب یادگیری تقویتی: مقدمه، ویرایش دوم
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Bradford Books
نویسنده: Richard S. Sutton – Andrew G Barto
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 552 / 548
حجم فایل: 7.46 مگابایت
کد کتاب: 0262039249 , 9780262039246
نوبت چاپ: 2
توضیحات کتاب یادگیری تقویتی: مقدمه، ویرایش دوم
نسخه جدید و به طور قابل توجهی گسترش یافته و به روز شده متنی پرکاربرد در مورد یادگیری تقویتی، یکی از فعال ترین حوزه های تحقیقاتی در هوش مصنوعی.
یادگیری تقویتی، یکی از فعال ترین حوزه های تحقیقاتی در هوش مصنوعی، یک رویکرد محاسباتی برای یادگیری است که به موجب آن یک عامل تلاش می‌کند تا مقدار کل پاداشی را که دریافت می‌کند در حین تعامل با یک محیط پیچیده و نامشخص به حداکثر برساند. دریادگیری تقویتی، ریچارد ساتون و اندرو بارتو گزارشی واضح و ساده 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 جدید را ارائه می دهد و پوشش موضوعات دیگر را به روز می کند.
مانند نسخه اول، این ویرایش دوم نیز بر روی الگوریتم های اصلی یادگیری آنلاین تمرکز دارد، با مواد ریاضی بیشتر که در سایه قرار گرفته اند. جعبه ها. 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.
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. InReinforcement 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.
دانلود کتاب «یادگیری تقویتی: مقدمه، ویرایش دوم»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.