Adaptive Representations for Reinforcement Learning, Shimon Whiteson

Автор: Lutz Frommberger
Название: Qualitative Spatial Abstraction in Reinforcement Learning
ISBN: 3642266002 ISBN-13(EAN): 9783642266003
Издательство: Springer
Рейтинг:
Цена: 16070.00 р.
Наличие на складе: Есть у поставщика Поставка под заказ.

Описание: Reinforcement learning has evolved to tackle domains that are yet to be fully understood, or are too complex for a closed description. In this book the author investigates whether suitable abstraction methods can overcome the discipline`s deficiencies.

Автор: Matthew Taylor
Название: Transfer in Reinforcement Learning Domains
ISBN: 3642101860 ISBN-13(EAN): 9783642101861
Издательство: Springer
Рейтинг:
Цена: 23757.00 р.
Наличие на складе: Есть у поставщика Поставка под заказ.

Описание: In reinforcement learning (RL) problems, learning agents sequentially execute actions with the goal of maximizing a reward signal. This book provides an introduction to the RL transfer problem and discusses methods which demonstrate the promise of this exciting area of research.

Автор: Marco Wiering; Martijn van Otterlo
Название: Reinforcement Learning
ISBN: 364244685X ISBN-13(EAN): 9783642446856
Издательство: Springer
Рейтинг:
Цена: 32651.00 р.
Наличие на складе: Есть у поставщика Поставка под заказ.

Описание: This book presents up-to-date information on the main contemporary sub-fields of reinforcement learning, including partially observable environments, hierarchical task decompositions, relational knowledge representation and predictive state representations.

Автор: Matthew Taylor
Название: Transfer in Reinforcement Learning Domains
ISBN: 3642018815 ISBN-13(EAN): 9783642018817
Издательство: Springer
Рейтинг:
Цена: 23757.00 р.
Наличие на складе: Есть у поставщика Поставка под заказ.

Описание: Reinforcement Learning Background.- Related Work.- Empirical Domains.- Value Function Transfer via Inter-Task Mappings.- Extending Transfer via Inter-Task Mappings.- Transfer between Different Reinforcement Learning Methods.- Learning Inter-Task Mappings.- Conclusion and Future Work.