Applying Reinforcement Learning on Real-World Data with Practical Examples in Python

Name: Applying Reinforcement Learning on Real-World Data with Practical Examples in Python
Author: Philip Osborne
ISBN: 9783031791666

Philip Osborne

Lingua: inglese

Editore: Springer International Publishing Mai 2022, 2022

3031791665 / 9783031791666

Brossura
Nuovo

Visualizza tutti i dettagli

Da: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, GermaniaBuchWeltWeit Ludwig Meier e.K.

Venditore con 5 stelle

Venditore AbeBooks dal 11 gennaio 2012

Visualizza gli articoli di questo venditore

Brossura

Condizione: Nuovo

EUR 58,84

EUR 23,00 spedizione

Spedito da Germania a U.S.A.

Quantità: 2 disponibili

Aggiungi al carrello

Resi gratuiti per 30 giorni

Lista dei preferitiCrea un desiderata per articoli simili

Descrizione dell’articolo da parte del venditore

This item is printed on demand - it takes 3-4 days longer - Neuware -Reinforcement learning is a powerful tool in artificial intelligence in which virtual or physical agents learn to optimize their decision making to achieve long-term goals. In some cases, this machine learning approach can save programmers time, outperform existing controllers, reach super-human performance, and continually adapt to changing conditions. This book argues that these successes show reinforcement learning can be adopted successfully in many different situations, including robot control, stock trading, supply chain optimization, and plant control. However, reinforcement learning has traditionally been limited to applications in virtual environments or simulations in which the setup is already provided. Furthermore, experimentation may be completed for an almost limitless number of attempts risk-free. In many real-life tasks, applying reinforcement learning is not as simple as (1) data is not in the correct form for reinforcement learning, (2) data is scarce, and (3) automation has limitations in the real-world. Therefore, this book is written to help academics, domain specialists, and data enthusiast alike to understand the basic principles of applying reinforcement learning to real-world problems. This is achieved by focusing on the process of taking practical examples and modeling standard data into the correct form required to then apply basic agents. To further assist with readers gaining a deep and grounded understanding of the approaches, the book shows hand-calculated examples in full and then how this can be achieved in a more automated manner with code. For decision makers who are interested in reinforcement learning as a solution but are not technically proficient we include simple, non-technical examples in the introduction and case studies section. These provide context of what reinforcement learning offer but also the challenges and risks associated with applying it in practice. Specifically, the book illustrates the differences between reinforcement learning and other machine learning approaches as well as how well-known companies have found success using the approach to their problems. 112 pp. Englisch.…

Codice articolo 9783031791666

Contatta il venditore per questo articolo

Segnala questo articolo

Titolo: Applying Reinforcement Learning on Real-World Data with Practical Examples in Python
Autore: Philip Osborne
Editore: Springer International Publishing Mai 2022
Anno di pubblicazione: 2022
Condizione: Neu
Rilegatura: Taschenbuch
Lingua: inglese
ISBN 10: 3031791665
ISBN 13: 9783031791666
Peso dell'articolo: 226 grammi
Dimensioni: 235x191x7 mm

Reinforcement learning is a powerful tool in artificial intelligence in which virtual or physical agents learn to optimize their decision making to achieve long-term goals. In some cases, this machine learning approach can save programmers time, outperform existing controllers, reach super-human performance, and continually adapt to changing conditions. This book argues that these successes show reinforcement learning can be adopted successfully in many different situations, including robot control, stock trading, supply chain optimization, and plant control. However, reinforcement learning has traditionally been limited to applications in virtual environments or simulations in which the setup is already provided. Furthermore, experimentation may be completed for an almost limitless number of attempts risk-free. In many real-life tasks, applying reinforcement learning is not as simple as (1) data is not in the correct form for reinforcement learning, (2) data is scarce, and (3) automation has limitations in the real-world. Therefore, this book is written to help academics, domain specialists, and data enthusiast alike to understand the basic principles of applying reinforcement learning to real-world problems. This is achieved by focusing on the process of taking practical examples and modeling standard data into the correct form required to then apply basic agents. To further assist with readers gaining a deep and grounded understanding of the approaches, the book shows hand-calculated examples in full and then how this can be achieved in a more automated manner with code. For decision makers who are interested in reinforcement learning as a solution but are not technically proficient we include simple, non-technical examples in the introduction and case studies section. These provide context of what reinforcement learning offer but also the challenges and risks associated with applying it in practice. Specifically, the book illustrates the differences between reinforcement learning and other machine learning approaches as well as how well-known companies have found success using the approach to their problems.

"Riassunto" può appartenere a un’altra edizione di questo titolo.

Informazioni sull’autore

Philip Osborne is a doctoral student currently studying Artificial Intelligence at the University of Manchester with a Master’s Degree in Data Science and a Bachelor’s Degree in Mathematics. The primary focus of his research relates to the application of Reinforcement Learning to real-world tasks with the integration of Natural Language. During his doctorate, Philip has authored and co-authored peer-reviewed papers that have been accepted to top computer science conferences. He has also given lectures on reinforcement learning at both the University of Manchester and the University of Oxford. Philip first applied Reinforcement Learning in a commercial environment with his Master’s dissertation to recommend the order and design of data visualizations for client presentations within an insurance consulting business. Since then, he has demonstrated his other ideas publicly including meal planning and recommending strategy decisions within a popular video game. These public demonstrations have gained notoriety within the data science community, including two separate monetary awards from Kaggle (Google) for their novelty, which has put him at the forefront of the fieldKajal Singh is a Full Stack Machine Learning Engineer working in the IT industry in Germany. Kajal is also a Python and Machine Learning mentor/tutor and guest speaker at the University of Oxford for online courses. She has worked on a range of problems, including anomaly detection, sentiment analysis, big data processing, document digitization, and project automation. Kajal has been a part of multiple hackathons conducted while working within industry. She was awarded with an Amazon Pride Card for her research contribution to “Women in AI” project of IIIT, India. She has been recognized for her project on Transactional AI assistants and has been honored as “Master Hacker” in Makeathon at a regional level in India.Matthew E. Taylor (Matt) received his doctorate from the University of Texas at Austin in the summer of 2008, supervised by Peter Stone. He then completed a 2-year postdoctoral research position at the University of Southern California with Milind Tambe and spent 2.5 years as an assistant professor at Lafayette College. He was then an assistant professor at Washington State University, where he held the Allred Distinguished Professorship in Artificial Intelligence. In 2017, he temporarily left academia to help start an artificial intelligence lab in Edmonton, Alberta, with Borealis AI, the artificial intelligence research lab for the Royal Bank of Canada. He is now a tenured associate professor in computer science at the University of Alberta, a Fellow-in-Residence at the Alberta Machine Intelligence Institute, and remains an adjunct professor at Washington State University. He has (co-)supervised 8 graduated Ph.D. students and 10 graduated M.S. students as well as published over 125 peer-reviewed conference papers and journal articles. His current fundamental and applied research interests are in reinforcement learning, human-in-the-loop AI, multi-agent systems, and robotics.

"Descrizione articolo" può appartenere a un’altra edizione di questo titolo.

BuchWeltWeit Ludwig Meier e.K.

Bergisch Gladbach, Germania

Venditore con 5 stelle

Venditore AbeBooks dal 11 gennaio 2012

Tariffe di spedizione da Germania a U.S.A.

Articolo	Da 5 a 15 giorni lavorativi	Da 5 a 15 giorni lavorativi
Primo articolo	EUR 23,00	EUR 23,00

I tempi di consegna sono stabiliti dai venditori e variano in base al corriere e al paese. Gli ordini che devono attraversare una dogana possono subire ritardi e spetta agli acquirenti pagare eventuali tariffe o dazi associati. I venditori possono contattarti in merito ad addebiti aggiuntivi dovuti a eventuali maggiorazioni dei costi di spedizione dei tuoi articoli.

Metodi di pagamento

Assegno
Bonifico bancario
PayPal

Informazioni sull’azienda del venditore

BuchWeltWeit Ludwig Meier e.K.

Germania

Contatta il venditoreVisualizza gli articoli di questo venditoreVisita la vetrina del venditore

Condizioni di vendita

BuchWeltWeit Inh. Ludwig Meier e.K.
Inhaber: Ludwig Meier
De-Gasperi-Str. 8
51469 Bergisch Gladbach
Deutschland

Tel.: +49(0)22028659300
Fax: +49(0)22028659301
E-Mail: info@buchweltweit.de

Registergericht: Amtsgericht Köln
Registernummer: HRA 28253

Umsatzsteuer-Identifikationsnummer: DE815259907

Wir sind zur Teilnahme an einem Streitbeilegungsverfahren vor einer Verbraucherschlichtungsstelle weder verpflichtet noch bereit.

Diritto di recesso

Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.

Informazioni sul diritto di recesso

Diritto legale di recesso

Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.

Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.

Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).

Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.

Effetti del recesso

In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).

Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.

Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.

Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.

Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.

Dovrai rispedire i beni o consegnarli a BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Germany, senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.

Eccezioni al diritto di recesso

Il diritto di recesso non si applica a:

La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.

Condizioni di spedizione

Der Versand ins Ausland findet IMMER mit DHL statt. Auch nach Österreich verschicken wir nur mit DHL! Daher Standardversand == Luftpost!

Applying Reinforcement Learning on Real-World Data with Practical Examples in Python

Descrizione dell’articolo da parte del venditore

Dati bibliografici

Riassunto

Descrizione articolo

Informazioni sull’autore

BuchWeltWeit Ludwig Meier e.K.

Tariffe di spedizione da Germania a U.S.A.

Metodi di pagamento

Informazioni sull’azienda del venditore

Condizioni di vendita

Diritto di recesso

Condizioni di spedizione