Diverse Reinforcement Learning Einführung Adaptive Computation Machine TOP56TYY5

Reinforcement Learning, second edition: An Introduction (Adaptive Computation and Machine Learning series)

Die erheblich erweiterte und aktualisierte Neuauflage eines weit verbreiteten Textes über Reinforcement Learning, einem der aktivsten Forschungsgebiete der künstlichen Intelligenz. Reinforcement Learning ist ein rechnergestützter Ansatz zum Lernen, bei dem ein Agent versucht, die Gesamtmenge der Belohnung zu maximieren, die er beim Interagieren mit einer komplexen, unsicheren Umgebung erhält. In "Reinforcement Learning" bieten Richard Sutton und Andrew Barto eine klare und einfache Darstellung der zentralen Ideen und Algorithmen des Fachgebiets. Diese zweite Auflage wurde erheblich erweitert und aktualisiert, wobei neue Themen behandelt und andere Themen aktualisiert wurden. Wie die erste Auflage konzentriert sich auch diese zweite Auflage auf die grundlegenden Online-Lernalgorithmen, wobei das mathematische Material in schattierten Kästen hervorgehoben wird. Teil I behandelt so viel wie möglich über Reinforcement Learning, ohne über den tabellarischen Fall hinauszugehen, für den exakte Lösungen gefunden werden können. Viele in diesem Teil vorgestellten Algorithmen sind neu in der zweiten Auflage, darunter UCB, Expected Sarsa und Double Learning. Teil II erweitert diese Ideen auf die Funktionsapproximation, mit neuen Abschnitten zu Themen wie künstlichen neuronalen Netzwerken und der Fourier-Basis, und bietet eine erweiterte Behandlung des Off-Policy-Lernens und der Policy-Gradient-Methoden. Teil III enthält neue Kapitel über die Beziehungen von Reinforcement Learning zur Psychologie und Neurowissenschaft sowie ein aktualisiertes Kapitel über Fallstudien, das AlphaGo und AlphaGo Zero, das Spielen von Atari-Spielen und die Wettstrategie von IBM Watson umfasst. Das letzte Kapitel diskutiert die zukünftigen gesellschaftlichen Auswirkungen des Reinforcement Learning.

The significantly expanded and updated new edition of a widely used text on reinforcement learning, one of the most active research areas in artificial intelligence. Reinforcement learning, one of the most active research areas in artificial intelligence, is a computational approach to learning whereby an agent tries to maximize the total amount of reward it receives while interacting with a complex, uncertain environment. In Reinforcement Learning, Richard Sutton and Andrew Barto provide a clear and simple account of the field's key ideas and algorithms. This second edition has been significantly expanded and updated, presenting new topics and updating coverage of other topics. Like the first edition, this second edition focuses on core online learning algorithms, with the more mathematical material set off in shaded boxes. Part I covers as much of reinforcement learning as possible without going beyond the tabular case for which exact solutions can be found. Many algorithms presented in this part are new to the second edition, including UCB, Expected Sarsa, and Double Learning. Part II extends these ideas to function approximation, with new sections on such topics as artificial neural networks and the Fourier basis, and offers expanded treatment of off-policy learning and policy-gradient methods. Part III has new chapters on reinforcement learning's relationships to psychology and neuroscience, as well as an updated case-studies chapter including AlphaGo and AlphaGo Zero, Atari game playing, and IBM Watson's wagering strategy. The final chapter discusses the future societal impacts of reinforcement learning.

The significantly expanded and updated new edition of a widely used text on reinforcement learning, one of the most active research areas in artificial intelligence. Reinforcement learning, one of the most active research areas in artificial intelligence, is a computational approach to learning whereby an agent tries to maximize the total amount of reward it receives while interacting with a complex, uncertain environment. In Reinforcement Learning, Richard Sutton and Andrew Barto provide a clear and simple account of the field's key ideas and algorithms. This second edition has been significantly expanded and updated, presenting new topics and updating coverage of other topics. Like the first edition, this second edition focuses on core online learning algorithms, with the more mathematical material set off in shaded boxes. Part I covers as much of reinforcement learning as possible without going beyond the tabular case for which exact solutions can be found. Many algorithms presented in this part are new to the second edition, including UCB, Expected Sarsa, and Double Learning. Part II extends these ideas to function approximation, with new sections on such topics as artificial neural networks and the Fourier basis, and offers expanded treatment of off-policy learning and policy-gradient methods. Part III has new chapters on reinforcement learning's relationships to psychology and neuroscience, as well as an updated case-studies chapter including AlphaGo and AlphaGo Zero, Atari game playing, and IBM Watson's wagering strategy. The final chapter discusses the future societal impacts of reinforcement learning.