Bis zu 50 % günstiger als neu
3 Jahre rebuy Garantie
Professionelles Refurbishment
Elektronik
Deals
Medien
Tipps & News
AppleAlle anzeigen
TabletsAlle anzeigen
HandyAlle anzeigen
Fairphone
AppleAlle anzeigen
iPhone Air Generation
GoogleAlle anzeigen
Pixel Fold
HonorAlle anzeigen
NothingAlle anzeigen
OnePlusAlle anzeigen
OnePlus 11 GenerationOnePlus 12 GenerationOnePlus 5 GenerationOnePlus 6 GenerationWeitere Modelle
SamsungAlle anzeigen
Galaxy XcoverWeitere Modelle
SonyAlle anzeigen
Weitere ModelleXperia LXperia MXperia X
XiaomiAlle anzeigen
Weitere Modelle
Tablets & eBook ReaderAlle anzeigen
Google
AppleAlle anzeigen
Zubehör
HuaweiAlle anzeigen
MatePad Pro Serie
XiaomiAlle anzeigen
Kameras & ZubehörAlle anzeigen
Kamera Bundles
ObjektiveAlle anzeigen
SamyangZEISS
System & SpiegelreflexAlle anzeigen
CanonAlle anzeigen
FujifilmAlle anzeigen
OlympusAlle anzeigen
PanasonicAlle anzeigen
SonyAlle anzeigen
WearablesAlle anzeigen
SmartwatchesAlle anzeigen
LGMotorolaSonyXiaomi
Konsolen & ZubehörAlle anzeigen
Lenovo Legion GoMSI Claw
NintendoAlle anzeigen
Nintendo Game Boy ClassicNintendo Switch Lite
PlayStationAlle anzeigen
XboxAlle anzeigen
Audio & HiFiAlle anzeigen
Zubehör
iPodAlle anzeigen
Zubehör

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Deep Reinforcement Learning for Robust Agent Systems

Guanjun Liu, Ziyuan Zhou, Min Yang, Weiran Guo (Gebundene Ausgabe, Englisch)

Optischer Zustand
Beschreibung
Deep Reinforcement Learning for Single-/Multi-Agent Systems provides a comprehensive guide to understanding and applying reinforcement learning (RL) in both single-agent and multi-agent contexts. This book is ideal for readers interested in mastering the fundamental concepts of RL and its advanced applications in real-world scenarios. Whether you’re a researcher, developer, or student, it offers a unique blend of theoretical depth and practical insights to empower you in tackling complex problems in AI and autonomous systems. The book begins with foundational topics in RL, explaining key algorithms and methods for both single-agent and multi-agent systems. It then dives into robust reinforcement learning, focusing on adversarial attacks and defense techniques to improve model resilience in uncertain environments. The content also covers cutting-edge applications of RL, including the design of training environments, the deployment of RL in drone systems, and the integration of RL in large language models (LLMs). By reading this book, you will gain valuable knowledge about state-of-the-art RL methodologies, learn to apply them in diverse settings, and understand how to defend against adversarial threats. The practical examples, case studies, and code snippets make it easier to implement RL solutions, while the in-depth discussions provide a solid foundation for further research. Prerequisite knowledge in machine learning and basic programming will be helpful, but the book is accessible to anyone with a keen interest in AI and reinforcement learning.
Dieses Produkt haben wir gerade leider nicht auf Lager.
Derzeit nicht verfügbar
Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Technische Daten


Erscheinungsdatum
14.11.2026
Sprache
Englisch
EAN
9789819260706
Herausgeber
Springer Singapore
Sonderedition
Nein
Autor
Guanjun Liu, Ziyuan Zhou, Min Yang, Weiran Guo
Einbandart
Gebundene Ausgabe
Schlagwörter
Reinforcement Learning, Deep Reinforcement Learning, Multi-Agent Reinforcement Learning, Adversarial Attacks in RL, Robust Learning, Stochastic Game, Sim-to-Real Transfer, Large Language Models
Thema-Inhalt
UYQ - Künstliche Intelligenz UYQM - Maschinelles Lernen
Höhe
235 mm
Breite
15.5 cm

Transparenz & Sicherheit

Hersteller: Springer Nature Customer Service Center GmbH, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com

-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!