Name: Aprendizagem por reforço em robótica e sistemas autónomos (en Portugués)
SKU: 65913618
Price: 79610.00 CLP
Availability: InStock
Author: N. S. Usha; G. M. Karpuradheepan; N. Srinivasan
ISBN: 9786209085369

portada Aprendizagem por reforço em robótica e sistemas autónomos (en Portugués)

Aprendizagem por reforço em robótica e sistemas autónomos (en Portugués)

Formato

Libro Físico

Editorial

Edicoes Nosso Conhecimento

Autor

N. S. Usha; G. M. Karpuradheepan; N. Srinivasan

Idioma

Portugués

N° páginas

112

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.7 cm

ISBN13

9786209085369

Aprendizagem por reforço em robótica e sistemas autónomos (en Portugués)

N. S. Usha; G. M. Karpuradheepan; N. Srinivasan (Autor) · Edicoes Nosso Conhecimento · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 144.740$ 79.610

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 79.610

Llega entre el 14 Oct y el 20 Oct a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Aprendizagem por reforço em robótica e sistemas autónomos (en Portugués)"

A aprendizagem por reforço (AR) surgiu como uma abordagem transformadora no domínio dos sistemas autónomos, permitindo a tomada de decisões inteligentes e o controlo em robótica, automóveis autónomos, cuidados de saúde, automação industrial e infra-estruturas inteligentes. Ao longo desta discussão, explorámos os conceitos fundamentais, as metodologias, os desafios e as aplicações no mundo real da RL em sistemas autónomos, destacando tanto o seu potencial como as suas limitações. A aplicação da RL na robótica e nos sistemas autónomos é sustentada pelos processos de decisão de Markov (MDP), que fornecem um quadro estruturado para a tomada dedecisões sequenciais . O desenvolvimento de métodos baseados em valores, como as Deep Q Networks (DQN), e de abordagens baseadas em políticas, como os métodos Policy Gradient e Ator Critic, permitiu que os robôs e os agentes autónomos aprendessem comportamentos complexos por tentativa e erro. Além disso, as técnicas de RL sem modelo e baseadas em modelo oferecem diferentes compensações em termos de eficiência e adaptabilidade da amostra, abrindo caminho para controladores baseados em aprendizagem mais versáteis e práticos.