Name: Apprendimento per rinforzo (en Italiano)
Price: 317.93 PEN
Availability: InStock
Author: S, Satyanarayana ; , Thayyaba Khatoon ; Bindu, N. V. Madhu
ISBN: 9786206403326

portada Apprendimento per rinforzo (en Italiano)

Formato

Libro Físico

Autor

Editorial

Idioma

Italiano

N° páginas

136

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.8 cm

Peso

0.21 kg.

ISBN13

9786206403326

Categorías

Redes y comunicaciones informáticas

Apprendimento per rinforzo (en Italiano)

Satyanarayana S (Autor) · Thayyaba Khatoon (Autor) · N. V. Madhu Bindu (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo

S/ 317,93

S/ 635,85

Ahorras: S/ 317,93

50% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Lunes 12 de Agosto y el Lunes 26 de Agosto.

Lo recibirás en cualquier lugar de Perú entre 2 y 5 días hábiles luego del envío.

Reseña del libro "Apprendimento per rinforzo (en Italiano)"

Questo libro è strutturato in cinque unità, per offrire un'esperienza di apprendimento olistica. Il viaggio inizia con un'introduzione agli algoritmi bandit, esplorando concetti fondamentali come gli algoritmi Upper Confidence Bound (UCB) e Probably Approximately Correct (PAC). L'unità successiva introduce la struttura completa del Reinforcement Learning (RL), andando oltre gli algoritmi bandit per considerare le interazioni agente-ambiente su più fasi temporali. I processi decisionali di Markov (MDP) sono introdotti come struttura fondamentale per la modellazione di compiti decisionali sequenziali. La quarta unità tratta i metodi di programmazione dinamica, i metodi di differenza temporale (TD) e l'equazione di ottimalità di Bellman in RL. Questi concetti consentono agli agenti di pianificare, apprendere e ottimizzare efficacemente le proprie azioni. L'ultima unità esplora le tecniche avanzate di RL, come le tracce di ammissibilità, l'approssimazione delle funzioni, i metodi dei minimi quadrati, l'apprendimento Q adattato, la rete Q profonda (DQN) e gli algoritmi di gradiente delle politiche.