Andere Kunden interessierten sich auch für
![Deep Reinforcement Learning for Wireless Networks]( "Deep Reinforcement Learning for Wireless Networks")
Deep Reinforcement Learning for Wireless Networks44,99 €![Deep Reinforcement Learning Processor Design for Mobile Applications]( "Deep Reinforcement Learning Processor Design for Mobile Applications")
Deep Reinforcement Learning Processor Design for Mobile Applications88,99 €![Prototypage de la supervision de l¿environnement de sites SRAN]( "Prototypage de la supervision de l¿environnement de sites SRAN")
Prototypage de la supervision de l¿environnement de sites SRAN32,99 €![Deep Reinforcement Learning-based Energy Management for Hybrid Electric Vehicles]( "Deep Reinforcement Learning-based Energy Management for Hybrid Electric Vehicles")
Deep Reinforcement Learning-based Energy Management for Hybrid Electric Vehicles64,19 €![Deep Reinforcement Learning for Wireless Communications and Networking]( "Deep Reinforcement Learning for Wireless Communications and Networking")
Deep Reinforcement Learning for Wireless Communications and Networking140,99 €![Convective Cell Tracking through Deep Learning based Computer Vision]( "Convective Cell Tracking through Deep Learning based Computer Vision")
Convective Cell Tracking through Deep Learning based Computer Vision26,99 €![Robot à deux roues auto-équilibrant]( "Robot à deux roues auto-équilibrant")
Robot à deux roues auto-équilibrant32,99 €
Le "Deep Reinforcement Learning" est appliqué à la stratégie de connectivité 5G. Des simulations python sur l'alignement de faisceaux sont présentées (librairies Scikitlearn et Keras). Le "Reinforcement Learning" (RL) est une technique d'apprentissage statistique par renforcement basé sur des actions et des récompenses, avec exploration des arbres de possibilités. Il améliore l'algorithme Minimax inventé par C. Shannon en 1949 appliqué au jeu d'échecs contre ordinateur. Le RL calcule également le chemin de sortie d'un labyrinthe.Si l'espace des états-actions est très grand, le "Deep Reinforcement Learning" (DRL) est utilisé. C'est une amélioration du RL par un réseau de neurones, permettant la prise de décision locale en n'ayant qu'une information parcellaire (problème distribué).Le DRL, outil universel, peut résoudre les questions d'optimisation non convexe. -C'est l'objet de la première partie.-La seconde partie détaille des applications aux télécommunications sans fils comme l'alignement de faisceaux. Dans le cadre des jeux et de la gestion de réseaux en téléphonie 5G, des problèmes de prise de décision et d'optimisation séquentiels sont posés.