Multi-agent Machine Learning : A Reinforcement Approach.
A Reinforcement Approach.
- primera edición.
- Hoboken, New Jersey : Wiley, c2014.
- xi, 242 páginas : gráficas.
Incluye referencias es índice.
El libro comienza con un capítulo sobre los métodos tradicionales de aprendizaje supervisado, cubriendo los mínimos cuadrados recursivos aprendizaje, significa métodos de error cuadrados, y la aproximación estocástica. Capítulo 2 cubre el aprendizaje único refuerzo agente. Los temas incluyen funciones de aprendizaje de valores, juegos de Markov, y TD aprendizaje con rastros de elegibilidad. Capítulo 3 se analizan dos jugadores, incluyendo dos juegos de matriz jugador con ambas estrategias puras y mixtas. Se presentan numerosos algoritmos y ejemplos. Capítulo 4 cubre el aprendizaje en los juegos multijugador, juegos estocásticos, y juegos de Markov, se centra en el aprendizaje de juegos multi-jugador y dos juegos de la red de rejilla jugador, Q-learning, y Nash Q-learning. Capítulo 5 discute juegos diferenciales, incluyendo juegos multi jugador diferenciales, estructura crítica actor, control difuso de adaptación y sistemas de interferencia difusos, el juego busca evasor, y la defensa de un territorio juegos. Capítulo 6 discute nuevas ideas sobre el aprendizaje dentro de enjambres robóticos y la innovadora idea de la evolución de los rasgos de personalidad. • Marco para la comprensión de una variedad de métodos y enfoques multi-agente de aprendizaje automático. • Discute los métodos de aprendizaje por refuerzo, como un número de formas de multi-agente Q-learning • Aplicable a la investigación profesores y estudiantes graduados que estudian ingeniería eléctrica e informática, ciencias de la computación y la ingeniería mecánica y aeroespacial.
9781118362082
Aprendizaje por refuerzo. Aprendizaje automático (Inteligencia artificial). Inteligencia artificial. Inteligencia de enjambre. Juegos diferenciales.