جلد سخت سیاه و سفید
Product details
- Publisher : Springer; 1st ed. 2022 edition (June 12, 2022)
- Language : English
- Paperback : 421 pages
- ISBN-10 : 9811906378
- ISBN-13 : 978-9811906374
کتاب Deep Reinforcement Learning
Deep reinforcement learning has attracted considerable attention recently. Impressive results have been achieved in such diverse fields as autonomous driving, game playing, molecular recombination, and robotics. In all these fields, computer programs have taught themselves to understand problems that were previously considered to be very difficult. In the game of Go, the program AlphaGo has even learned to outmatch three of the world’s leading players.Deep reinforcement learning takes its inspiration from the fields of biology and psychology. Biology has inspired the creation of artificial neural networks and deep learning, while psychology studies how animals and humans learn, and how subjects’ desired behavior can be reinforced with positive and negative stimuli. When we see how reinforcement learning teaches a simulated robot to walk, we are reminded of how children learn, through playful exploration. Techniques that are inspired by biology and psychology work amazingly well in computers: animal behavior and the structure of the brain as new blueprints for science and engineering. In fact, computers truly seem to possess aspects of human behavior; as such, this field goes to the heart of the dream of artificial intelligence.
These research advances have not gone unnoticed by educators. Many universities have begun offering courses on the subject of deep reinforcement learning. The aim of this book is to provide an overview of the field, at the proper level of detail for a graduate course in artificial intelligence. It covers the complete field, from the basic algorithms of Deep Q-learning, to advanced topics such as multi-agent reinforcement learning and meta learning.
منابع کتاب کتاب Deep Reinforcement Learning
یادگیری تقویتی عمیق اخیرا توجه قابل توجهی را به خود جلب کرده است. نتایج چشمگیری در زمینه های متنوعی مانند رانندگی مستقل، بازی، نوترکیبی مولکولی و روباتیک به دست آمده است. در تمام این زمینه ها، برنامه های کامپیوتری به خود آموخته اند که مسائلی را که قبلاً بسیار دشوار در نظر گرفته می شدند، درک کنند. در بازی Go، برنامه AlphaGo حتی یاد گرفته است که با سه بازیکن پیشرو جهان پیشی بگیرد. یادگیری تقویتی عمیق از زمینه های زیست شناسی و روانشناسی الهام می گیرد. زیست‌شناسی الهام‌بخش ایجاد شبکه‌های عصبی مصنوعی و یادگیری عمیق است، در حالی که روانشناسی به مطالعه چگونگی یادگیری حیوانات و انسان‌ها و چگونگی تقویت رفتار مورد نظر افراد با محرک‌های مثبت و منفی می‌پردازد. وقتی می بینیم که چگونه یادگیری تقویتی به یک ربات شبیه سازی شده راه رفتن را آموزش می دهد، ما از طریق کاوش بازیگوش یاد می گیریم که چگونه کودکان یاد می گیرند. تکنیک هایی که از زیست شناسی و روانشناسی الهام گرفته شده اند به طرز شگفت انگیزی در رایانه ها کار می کنند: رفتار حیوانات و ساختار مغز به عنوان طرح های جدید برای علم و مهندسی. در واقع، به نظر می رسد که رایانه ها واقعاً دارای جنبه هایی از رفتار انسان هستند. به این ترتیب، این زمینه به قلب رویای هوش مصنوعی می رود.
این پیشرفت های تحقیقاتی از دید مربیان دور نمانده است. بسیاری از دانشگاه ها شروع به ارائه دوره هایی با موضوع یادگیری تقویتی عمیق کرده اند. هدف این کتاب ارائه یک نمای کلی از این رشته، در سطح دقیق جزئیات برای دوره تحصیلات تکمیلی هوش مصنوعی است. این زمینه کامل، از الگوریتم‌های اساسی Deep Q-learning تا موضوعات پیشرفته مانند یادگیری تقویتی چند عاملی و فرا یادگیری را پوشش می‌دهد.
ارسال نظر درباره کتاب Deep Reinforcement Learning