Statistical Reinforcement Learning: Modern Machine Learning Approaches (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
Lingua: inglese
Editore: Chapman and Hall/CRC, 2015
Serie: Libro 10 di 15 - Chapman & Hall/Crc Machine Learning & Pattern Recognition
- Rilegato
- Usato
Da: LaLa Mina Group, revere, MA, U.S.A.LaLa Mina Group
Venditore AbeBooks dal 7 ottobre 2026
Condizione: Usato - Molto buono
EUR 48,60
Quantità: 1 disponibile
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
Very good condition with only light shelf wear. Pages clean and unmarked; binding solid. Ships promptly in protective packaging.
Codice articolo 2025-12-16-0174-VG-200.00-A2
- Titolo
- Statistical Reinforcement Learning: Modern Machine Learning Approaches (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
- Autore
- Sugiyama, Masashi
- Editore
- Chapman and Hall/CRC
- Anno di pubblicazione
- 2015
- Condizione
- Very Good
- Rilegatura
- Hardcover
- Lingua
- inglese
- ISBN 10
- 1439856893
- ISBN 13
- 9781439856895
- Serie
- Libro 10 di 15: Chapman & Hall/Crc Machine Learning & Pattern Recognition
Reinforcement learning is a mathematical framework for developing computer agents that can learn an optimal behavior by relating generic reward signals with its past actions. With numerous successful applications in business intelligence, plant control, and gaming, the RL framework is ideal for decision making in unknown environments with large amounts of data.
Supplying an up-to-date and accessible introduction to the field, Statistical Reinforcement Learning: Modern Machine Learning Approaches presents fundamental concepts and practical algorithms of statistical reinforcement learning from the modern machine learning viewpoint. It covers various types of RL approaches, including model-based and model-free approaches, policy iteration, and policy search methods.
- Covers the range of reinforcement learning algorithms from a modern perspective
- Lays out the associated optimization problems for each reinforcement learning scenario covered
- Provides thought-provoking statistical treatment of reinforcement learning algorithms
The book covers approaches recently introduced in the data mining and machine learning fields to provide a systematic bridge between RL and data mining/machine learning researchers. It presents state-of-the-art results, including dimensionality reduction in RL and risk-sensitive RL. Numerous illustrative examples are included to help readers understand the intuition and usefulness of reinforcement learning techniques.
This book is an ideal resource for graduate-level students in computer science and applied statistics programs, as well as researchers and engineers in related fields.
"Riassunto" può appartenere a un’altra edizione di questo titolo.
Informazioni sull’autore
Masashi Sugiyama received his bachelor, master, and doctor of engineering degrees in computer science from the Tokyo Institute of Technology, Japan. In 2001 he was appointed assistant professor at the Tokyo Institute of Technology and he was promoted to associate professor in 2003. He moved to the University of Tokyo as professor in 2014.
He received an Alexander von Humboldt Foundation Research Fellowship and researched at Fraunhofer Institute, Berlin, Germany, from 2003 to 2004. In 2006, he received a European Commission Program Erasmus Mundus Scholarship and researched at the University of Edinburgh, Scotland. He received the Faculty Award from IBM in 2007 for his contribution to machine learning under non-stationarity, the Nagao Special Researcher Award from the Information Processing Society of Japan in 2011, and the Young Scientists’ Prize from the Commendation for Science and Technology by the Minister of Education, Culture, Sports, Science and Technology for his contribution to the density-ratio paradigm of machine learning.
His research interests include theories and algorithms of machine learning and data mining, and a wide range of applications such as signal processing, image processing, and robot control. He published Density Ratio Estimation in Machine Learning (Cambridge University Press, 2012) and Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation (MIT Press, 2012).
"Descrizione articolo" può appartenere a un’altra edizione di questo titolo.
LaLa Mina Group
revere, MA, U.S.A.
Venditore AbeBooks dal 7 ottobre 2026
Tariffe di spedizione nazionale per U.S.A.
| Articolo | Da 5 a 14 giorni lavorativi | Da 3 a 6 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 0,00 | EUR 6,68 |
Metodi di pagamento
- PayPal
Descrizione dello Store
Our goal with every sale is customer satisfaction. Unbeatable customer service. So please buy with confidence. LaLa Mina Group offers a 100% Money Back GUARANTEE featuring HASSLE FREE returns. We ship DAILY. All of our books are stored in a Smoke-Free home
Specializzazione
fiction., text books, novelInformazioni sull’azienda del venditore
LaLa Mina Group
MA, U.S.A.
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 LaLa Mina Group, revere, Massachusetts, U.S.A., +1 7815210480, 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.