MARC details
| 000 -CABECERA |
|---|
| campo de control de longitud fija |
04640nam a22003735i 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
398159 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| campo de control |
ES-MaUEC |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20240429180342.0 |
| 006 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA--CARACTERÍSTICAS DEL MATERIAL ADICIONAL |
|---|
| campo de control de longitud fija |
a||||fo|||| 00| 0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
cr nn 008mamaa |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
230405s2023 si | o |||| 0|eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO |
|---|
| Número Internacional Estándar del Libro |
9789811977848 |
| 024 7# - IDENTIFICADOR DE OTROS ESTÁNDARES |
|---|
| Número estándar o código |
10.1007/978-981-19-7784-8 |
| Fuente del número o código |
doi |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro catalogador/agencia de origen |
ES-MaUEC |
| Lengua de catalogación |
spa |
| Centro/agencia transcriptor |
ES-MaUEC |
| Centro/agencia modificador |
ES-MaUEC |
| 050 #4 - SIGNATURA TOPOGRÁFICA DE LA BIBLIOTECA DEL CONGRESO |
|---|
| Número de clasificación |
Q325.5 |
| Número de documento/Ítem |
2023 EB |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Li, Shengbo Eben |
| Término indicativo de función/relación |
autor |
| Código de función/relación |
http://id.loc.gov/vocabulary/relators/aut |
| 9 (RLIN) |
689555 |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Reinforcement Learning for Sequential Decision and Optimal Control |
| Mención de responsabilidad, etc. |
by Shengbo Eben Li |
| 250 ## - MENCIÓN DE EDICIÓN |
|---|
| Mención de edición |
1st ed 2023 |
| 264 #1 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Singapore |
| Nombre del de productor, editor, distribuidor, fabricante |
Springer Nature |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2023 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
1 recurso en línea |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| Fuente |
rdacontent |
| 337 ## - TIPO DE MEDIO |
|---|
| Nombre/término del tipo de medio |
electrónico |
| Código del tipo de medio |
c |
| Fuente |
rdamedia |
| 338 ## - TIPO DE SOPORTE |
|---|
| Nombre/término del tipo de soporte |
recurso electrónico |
| Código del tipo de soporte |
cr |
| Fuente |
rdacarrier |
| 347 ## - CARACTERÍSTICAS DEL ARCHIVO DIGITAL |
|---|
| Tipo de archivo |
text file |
| Formato de codificación |
PDF |
| Fuente |
rda |
| 505 0# - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
Chapter 1 Introduction of Reinforcement Learning -- Chapter 2 Principles of RL Problems -- Chapter 3 Model-free Indirect RL: Monte Carlo -- Chapter 4 Model-Free Indirect RL: Temporal-Difference -- Chapter 5 Model-based Indirect RL: Dynamic Programming -- Chapter 6 Indirect RL with Function Approximation -- Chapter 7 Direct RL with Policy Gradient -- Chapter 8 Infinite Horizon Approximate Dynamic Programming -- Chapter 9 Finite Horizon ADP and State Constraints -- Chapter 10 Deep Reinforcement Learning -- Chapter 11 Advanced RL Topics. |
| 520 ## - SUMARIO, ETC. |
|---|
| Sumario, etc. |
Have you ever wondered how AlphaZero learns to defeat the top human Go players? Do you have any clues about how an autonomous driving system can gradually develop self-driving skills beyond normal drivers? What is the key that enables AlphaStar to make decisions in Starcraft, a notoriously difficult strategy game that has partial information and complex rules? The core mechanism underlying those recent technical breakthroughs is reinforcement learning (RL), a theory that can help an agent to develop the self-evolution ability through continuing environment interactions. In the past few years, the AI community has witnessed phenomenal success of reinforcement learning in various fields, including chess games, computer games and robotic control. RL is also considered to be a promising and powerful tool to create general artificial intelligence in the future. As an interdisciplinary field of trial-and-error learning and optimal control, RL resembles how humans reinforce their intelligence by interacting with the environment and provides a principled solution for sequential decision making and optimal control in large-scale and complex problems. Since RL contains a wide range of new concepts and theories, scholars may be plagued by a number of questions: What is the inherent mechanism of reinforcement learning? What is the internal connection between RL and optimal control? How has RL evolved in the past few decades, and what are the milestones? How do we choose and implement practical and effective RL algorithms for real-world scenarios? What are the key challenges that RL faces today, and how can we solve them? What is the current trend of RL research? You can find answers to all those questions in this book. The purpose of the book is to help researchers and practitioners take a comprehensive view of RL and understand the in-depth connection between RL and optimal control. The book includes not only systematic and thorough explanations of theoretical basics but also methodical guidance of practical algorithm implementations. The book intends to provide a comprehensive coverage of both classic theories and recent achievements, and the content is carefully and logically organized, including basic topics such as the main concepts and terminologies of RL, Markov decision process (MDP), Bellman's optimality condition, Monte Carlo learning, temporal difference learning, stochastic dynamic programming, function approximation, policy gradient methods, approximate dynamic programming, and deep RL, as well as the latest advances in action and state constraints, safety guarantee, reference harmonization, robust RL, partially observable MDP, multiagent RL, inverse RL, offline RL, and so on. |
| 988 ## - NOTA LOCAL 598 |
|---|
| Nota local 598 (boletines) |
Springer_Computer_2023 |
| 650 #7 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Fuente del encabezamiento o término |
embne |
| 9 (RLIN) |
166090 |
| Término de materia o nombre geográfico como elemento de entrada |
Aprendizaje automático |
| 856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme del Recurso |
https://go.openathens.net/redirector/universidadeuropea.es?url=https://doi.org/10.1007/978-981-19-7784-8 |
| Nota pública |
Acceso a este recurso digital (usuarios Universidad Europea de Madrid) |
| 999 ## - NÚMEROS DE CONTROL DE SISTEMA (KOHA) |
|---|
| -- |
1 |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Library of Congress Classification |
| Tipo de ítem Koha |
LIBRO-E NO PRÉSTAMO |
| 998 ## - DATOS ESTADÍSTICOS |
|---|
| Fecha de catalogación |
02/2024 |
| Tipo de materia |
E-book |
| Catalogador |
Irene Bastante |
| Catalogado |
Sí |