Statystyczne uczenie ze wzmocnieniem: Nowoczesne podejścia do uczenia maszynowego

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.

Oryginalny tytuł:

Statistical Reinforcement Learning: Modern Machine Learning Approaches

Zawartość książki:

Uczenie ze wzmocnieniem jest matematyczną strukturą służącą do opracowywania agentów komputerowych, którzy mogą nauczyć się optymalnego zachowania poprzez powiązanie ogólnych sygnałów nagrody z wcześniejszymi działaniami. Dzięki licznym udanym zastosowaniom w inteligencji biznesowej, kontroli instalacji i grach, struktura RL jest idealna do podejmowania decyzji w nieznanych środowiskach z dużą ilością danych.

Stanowiąc aktualne i przystępne wprowadzenie do tej dziedziny, Statistical Reinforcement Learning: Modern Machine Learning Approaches przedstawia podstawowe koncepcje i praktyczne algorytmy statystycznego uczenia ze wzmocnieniem z nowoczesnego punktu widzenia uczenia maszynowego. Obejmuje różne rodzaje podejść RL, w tym podejścia oparte na modelach i bez modeli, iterację polityki i metody wyszukiwania polityki.

⬤ Obejmuje zakres algorytmów uczenia ze wzmocnieniem z nowoczesnej perspektywy.

⬤ Przedstawia powiązane problemy optymalizacyjne dla każdego uwzględnionego scenariusza uczenia ze wzmocnieniem.

⬤ Zapewnia prowokujące do myślenia statystyczne podejście do algorytmów uczenia ze wzmocnieniem.

Książka obejmuje podejścia niedawno wprowadzone w dziedzinie eksploracji danych i uczenia maszynowego, aby zapewnić systematyczny pomost między RL a badaczami zajmującymi się eksploracją danych / uczeniem maszynowym. Przedstawiono w niej najnowocześniejsze wyniki, w tym redukcję wymiarowości w RL i RL wrażliwą na ryzyko. Liczne ilustrujące przykłady pomagają czytelnikom zrozumieć intuicję i użyteczność technik uczenia ze wzmocnieniem.

Książka ta jest idealnym źródłem wiedzy dla studentów studiów podyplomowych z zakresu informatyki i statystyki stosowanej, a także dla badaczy i inżynierów z pokrewnych dziedzin.