Güçlendirmeli Öğrenme - Otonom Makineler İçin Akıllı Karar Vermede Ustalaşma
Fouad Sabry
Traducteur Utku Adal
Maison d'édition: Bir Milyar Bilgili [Turkish]
Synopsis
Hızla gelişen robotik alanında, takviyeli öğrenme, otonom sistemler inşa etmek için en umut verici yöntemlerden biri olarak öne çıkıyor. Bu kitap, Takviyeli Öğrenme, bu güçlü tekniğin derinlemesine bir incelemesini sunarak okuyucuları temel ilkelerinden en son gelişmelerine kadar yönlendiriyor. Profesyoneller, lisansüstü öğrenciler ve meraklılar için mükemmel olan bu kitap, takviyeli öğrenmeyi robotik bağlamında anlamak için ayrıntılı ancak erişilebilir bir yaklaşım sunuyor. Bölümler Kısa Genel Bakış: 1: Takviyeli öğrenme: Takviyeli öğrenmenin temel kavramını tanıtıyor ve otonom sistemlerdeki rolünü vurguluyor. 2: Markov karar süreci: Belirsizlik altında karar verme için matematiksel çerçeveyi açıklıyor, takviyeli öğrenme için önemli bir temel. 3: Zamansal fark öğrenmesi: Çevrenin bir modeline ihtiyaç duymadan deneyimlerden öğrenme yöntemlerini araştırıyor. 4: Bellman denklemi: Birçok takviyeli öğrenme algoritmasının altında yatan kritik yinelemeli ilişkiyi tartışıyor. 5: Qlearning: Ortamın bir modeli olmadan optimum eylemleri öğrenen bir politika dışı takviye öğrenme algoritmasına odaklanır. 6: Çok kollu haydut: Belirsiz ortamlarda karar almayı modelleyen daha basit bir takviye öğrenme problemini kapsar. 7: Kısmen gözlemlenebilir Markov karar süreci: Gizli durumları dahil ederek geleneksel Markov karar süreçlerini genişletir. 8: Gittins endeksi: Çok kollu haydut problemlerinde keşif ve sömürüyü dengelemek için bir strateji sunar. 9: Durum-eylem-ödül-durum-eylem: Karar alma stratejilerini bilgilendiren takviye öğrenmesindeki zamansal kalıpları araştırır. 10: Protodeğer fonksiyonu: Öğrenmenin verimliliğine yardımcı olarak değer fonksiyonlarını yaklaşık olarak hesaplama yöntemlerini araştırır. 11: Otomatik temel fonksiyon oluşturma: Öğrenme verimliliğini artırmak için özellikler oluşturmaya yönelik otomatik yöntemlere odaklanır. 12: Ortalama alan oyun teorisi: Büyük ölçekli çok ajanlı sistemlerde etkileşimleri modellemek için bir çerçeve tartışır. 13: Çoklu ajan yol bulma: Birden fazla ajanın hedeflerine verimli bir şekilde ulaşmasını koordine etmek için algoritmalar sunar. 14: Modelsiz (pekiştirmeli öğrenme): Öğrenme için bir ortam modeline dayanmayan yöntemleri ele alır. 15: Derin pekiştirmeli öğrenme: Karmaşık, yüksek boyutlu ortamları ele almak için derin öğrenme ve pekiştirmeli öğrenmeyi birleştirir. 16: Çoklu ajan pekiştirmeli öğrenme: Birden fazla etkileşimli ajanın olduğu ortamlarda öğrenme stratejilerine odaklanır. 17: Öz-oyun: Gelişmiş öğrenme stratejilerinin kritik bir bileşeni olan ajanların kendileriyle rekabet yoluyla öğrenmesi kavramını inceler. 18: Yakınsal politika optimizasyonu: İyileştirilmiş kararlılık ve performansla pekiştirmeli öğrenmede politikaları optimize etmek için bir algoritma sunar. 19: Keşif-sömürü ikilemi: Yeni stratejilerin keşfi ile bilinen stratejilerin kullanılması arasındaki dengeyi sağlamanın temel zorluğunu ele alır. 20: İnsan geri bildiriminden pekiştirmeli öğrenme: İnsan girdisini kullanarak pekiştirmeli öğrenmeyi iyileştirme yöntemlerini inceler. 21: Taklit öğrenimi: Ajanların insan uzmanların eylemlerini taklit ederek öğrendikleri tekniklere odaklanır. Takviyeli Öğrenme yalnızca teknik bir rehber değil, aynı zamanda otonom sistemlerin çok çeşitli ortamlarda nasıl uyum sağlayıp karar alabileceğini anlamak için temel bir kaynaktır. İster robotik uzmanı, ister öğrenci veya hobi sahibi olun, bu kitap size takviyeli öğrenmede ustalaşmak ve bunu gerçek dünyadaki robotik sistemlere uygulamak için gereken bilgiyi sağlayacak içgörüler sunar.
Disponible depuis: 27/12/2024.
Longueur d'impression: 234 pages.
