Willkommen, schön sind Sie da!
Logo Ex Libris

Coronavirus: Paketkontingent der Post führt zu weiteren grossen Lieferverzögerungen Weitere Informationen

Wir können ab sofort nicht mehr alle Pakete versenden, welche wir täglich verarbeiten und verpacken. Diese Massnahme ist vorerst bis und mit Gründonnerstag, 9. April, begrenzt. Eine genaue Angabe von Lieferterminen ist darum nicht mehr möglich. Der Paketrückstau führt zu deutlichen Verspätungen. Um die Wartezeit zu verkürzen, haben wir den Versand vor einiger Zeit auf A-Post umgestellt. Zudem bleiben unsere Filialen auf Verordnung des Bundesrates bis auf Weiteres geschlossen. Unsere Corona-Taskforce arbeitet mit Hochdruck daran, dass unsere Mitarbeitenden geschützt sind und wir den Service für Sie, als unsere Kundinnen und Kunden, aufrechterhalten können. Weitere Informationen zu unseren Massnahmen finden Sie unter www.exlibris.ch/de/ueber-uns/massnahmen-corona.

schliessen

Reinforcement Learning in der Roboter-Navigation

  • Kartonierter Einband
  • 144 Seiten
(0) Erste Bewertung abgeben
Bewertungen
(0)
(0)
(0)
(0)
(0)
Alle Bewertungen ansehen
Die Entwicklung intelligenter Systeme, die selbstständig lernen komplexe Aufgaben zu lösen, ist eine zentrale Forschungsaufgabe au... Weiterlesen
20%
82.00 CHF 65.60
Print on demand - Exemplar wird für Sie besorgt.
Coronavirus: Information zu den Lieferfristen
Aufgrund der aktuellen Lage kommt es zu Lieferverzögerungen. Besten Dank für Ihr Verständnis.
Nur im Online-Shop verfügbar

Beschreibung

Die Entwicklung intelligenter Systeme, die selbstständig lernen komplexe Aufgaben zu lösen, ist eine zentrale Forschungsaufgabe auf dem Gebiet des Maschinellen Lernens. Das Lernen aus eigenen Erfahrungen ohne vorgegebene Lösungswege trägt zur zunehmenden Popularität des Reinforcement Learnings bei. In diesem Buch wird der SARSA-Algorithmus zur simulierten Roboter-Navigation auf Basis diskreter und stetiger Zustandsräume beschrieben und die Wirkungen der Lernparameter auf das Lernverhalten untersucht. Für stetige Zustandsräume kommt das Linear Gradient-Descent-SARSA-Verfahren unter Verwendung des Tile-Codings zum Einsatz. Experimente geben Einblick in das Lernverhalten in unterschiedlichen Umwelten und stärken gleichzeitig das Verständnis für die Arbeitsweise dieser Algorithmen. Die Frage, welche Stellgrößen beschleunigend wirken, wird ebenfalls beantwortet. Das Buch richtet sich an all diejenigen, die sich über die grundlegende Theorie des Reinforcement Learnings informieren oder einen tieferen Einblick in die Wirkungsweise des SARSA-Algorithmus gewinnen möchten.

Autorentext

Anne Wolter, Dipl.-Inform.: Studium der Angewandten Informatik an der Universität Duisburg-Essen.



Klappentext

Die Entwicklung intelligenter Systeme, die selbstständig lernen komplexe Aufgaben zu lösen, ist eine zentrale Forschungsaufgabe auf dem Gebiet des Maschinellen Lernens. Das Lernen aus eigenen Erfahrungen ohne vorgegebene Lösungswege trägt zur zunehmenden Popularität des Reinforcement Learnings bei. In diesem Buch wird der SARSA-Algorithmus zur simulierten Roboter-Navigation auf Basis diskreter und stetiger Zustandsräume beschrieben und die Wirkungen der Lernparameter auf das Lernverhalten untersucht. Für stetige Zustandsräume kommt das Linear Gradient-Descent-SARSA-Verfahren unter Verwendung des Tile-Codings zum Einsatz. Experimente geben Einblick in das Lernverhalten in unterschiedlichen Umwelten und stärken gleichzeitig das Verständnis für die Arbeitsweise dieser Algorithmen. Die Frage, welche Stellgrößen beschleunigend wirken, wird ebenfalls beantwortet. Das Buch richtet sich an all diejenigen, die sich über die grundlegende Theorie des Reinforcement Learnings informieren oder einen tieferen Einblick in die Wirkungsweise des SARSA-Algorithmus gewinnen möchten.

Produktinformationen

Titel: Reinforcement Learning in der Roboter-Navigation
Untertitel: Grundlagen, Methoden, Realisierung und Experimente
Autor:
EAN: 9783639047028
ISBN: 978-3-639-04702-8
Format: Kartonierter Einband
Herausgeber: VDM Verlag Dr. Müller e.K.
Genre: Informatik
Anzahl Seiten: 144
Gewicht: 234g
Größe: H221mm x B149mm x T17mm
Jahr: 2013