Statisztikai megerősítéses tanulás: Modern gépi tanulási megközelítések

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 4 olvasói szavazat alapján történt.

Eredeti címe:

Statistical Reinforcement Learning: Modern Machine Learning Approaches

Könyv tartalma:

A megerősítéses tanulás egy matematikai keretrendszer olyan számítógépes ágensek fejlesztésére, amelyek képesek megtanulni egy optimális viselkedést azáltal, hogy általános jutalomjeleket kapcsolnak össze a múltbeli cselekedeteikkel. Az RL számos sikeres alkalmazással rendelkezik az üzleti intelligencia, az üzemek vezérlése és a játékok területén, és ideális a nagy mennyiségű adatot tartalmazó, ismeretlen környezetben történő döntéshozatalhoz.

A Statistical Reinforcement Learning: Modern Machine Learning Approaches naprakész és közérthető bevezetést nyújt a területre, és a modern gépi tanulás szemszögéből mutatja be a statisztikai megerősítéses tanulás alapvető fogalmait és gyakorlati algoritmusait. A könyv az RL-megközelítések különböző típusait tárgyalja, beleértve a modellalapú és modellmentes megközelítéseket, a policy-iterációt és a policy-keresési módszereket.

⬤ Fedezi a megerősítéses tanulási algoritmusok körét modern szemszögből.

⬤ Megjeleníti a kapcsolódó optimalizálási problémákat minden egyes lefedett megerősítéses tanulási forgatókönyvhöz.

⬤ Elgondolkodtató statisztikai feldolgozást nyújt a megerősítéses tanulási algoritmusokról.

A könyv az adatbányászat és a gépi tanulás területén nemrégiben bevezetett megközelítéseket tárgyalja, hogy szisztematikus hidat képezzen az RL és az adatbányászat/gépi tanulás kutatói között. Bemutatja a legkorszerűbb eredményeket, beleértve a dimenziócsökkentést az RL-ben és a kockázatérzékeny RL-t. Számos szemléltető példa segíti az olvasót a megerősítéses tanulási technikák intuíciójának és hasznosságának megértésében.

Ez a könyv ideális forrás az informatikai és alkalmazott statisztikai programok végzős hallgatói, valamint a kapcsolódó területek kutatói és mérnökei számára.