Maschinelles Lernen von Aktionen: Adaptive Funktionsapproximation für Reinforcement Learning auf der Basis von selbstorganisierenden Karten (German Edition)
5 Angebote vergleichen
Preise | 2013 | 2014 | 2015 |
---|---|---|---|
Schnitt | € 56,66 | € 59,00 | € 59,00 |
Nachfrage |
1
Maschinelles Lernen von Aktionen
DE PB NW
ISBN: 9783639425406 bzw. 3639425405, in Deutsch, Av Akademikerverlag, Taschenbuch, neu.
Lieferung aus: Deutschland, Versandkostenfrei.
buecher.de GmbH & Co. KG, [1].
Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an.144 S.Versandfertig in 3-5 Tagen, Softcover.
buecher.de GmbH & Co. KG, [1].
Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an.144 S.Versandfertig in 3-5 Tagen, Softcover.
2
Symbolbild
Maschinelles Lernen von Aktionen (2012)
DE PB NW RP
ISBN: 9783639425406 bzw. 3639425405, in Deutsch, Av Akademikerverlag Jun 2012, Taschenbuch, neu, Nachdruck.
Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, NDS, Germany.
This item is printed on demand - Print on Demand Titel. - Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an. 144 pp. Deutsch.
This item is printed on demand - Print on Demand Titel. - Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an. 144 pp. Deutsch.
3
Symbolbild
Maschinelles Lernen von Aktionen (2012)
DE PB NW RP
ISBN: 9783639425406 bzw. 3639425405, in Deutsch, AV Akademikerverlag Jun 2012, Taschenbuch, neu, Nachdruck.
Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, Germany.
This item is printed on demand - Print on Demand Titel. Neuware - Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an. 144 pp. Deutsch.
This item is printed on demand - Print on Demand Titel. Neuware - Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor lie gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte res sierte Neulinge an. 144 pp. Deutsch.
4
Maschinelles Lernen von Aktionen: Adaptive Funktionsapproximation für Reinforcement Learning auf der Basis von selbstorganisierenden Karten (2012)
DE PB NW
ISBN: 9783639425406 bzw. 3639425405, in Deutsch, 144 Seiten, AV Akademikerverlag, Taschenbuch, neu.
Lieferung aus: Deutschland, Gewöhnlich versandfertig in 24 Stunden.
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen
5
Symbolbild
Maschinelles Lernen von Aktionen: Adaptive Funktionsapproximation für Reinforcement Learning auf der Basis von selbstorganisierenden Karten (2012)
DE PB NW RP
ISBN: 9783639425406 bzw. 3639425405, in Deutsch, AV Akademikerverlag, Taschenbuch, neu, Nachdruck.
Von Händler/Antiquariat, English-Book-Service - A Fine Choice [1048135], Waldshut-Tiengen, Germany.
This item is printed on demand for shipment within 3 working days.
This item is printed on demand for shipment within 3 working days.
Lade…