Sequentielle Entscheidungsanalyse und Modellierung: Modellierung mit Python

Bewertung:   (3,6 von 5)

Sequentielle Entscheidungsanalyse und Modellierung: Modellierung mit Python (B. Powell Warren)

Leserbewertungen

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 3 Stimmen.

Originaltitel:

Sequential Decision Analytics and Modeling: Modeling with Python

Inhalt des Buches:

Sequentielle Entscheidungsprobleme treten in praktisch jedem menschlichen Prozess auf. Sie erstrecken sich auf die Bereiche Finanzen, Energie, Verkehr, Gesundheit, elektronischer Handel und Versorgungsketten und umfassen reine Lernprobleme, die in Labor- oder Feldexperimenten auftreten.

Sie umfassen sogar Suchalgorithmen zur Maximierung unsicherer Funktionen. Eine wichtige Dimension jeder Problemstellung ist die Notwendigkeit, Entscheidungen unter Berücksichtigung verschiedener Formen von Unsicherheit und sich entwickelnden Informationsprozessen zu treffen. Warren B.

Powells Arbeiten zu sequentiellen Entscheidungsproblemen begannen in den 1980er Jahren und erstreckten sich auf die Bereiche Eisenbahn, Energie, Gesundheit, Finanzen, E-Commerce, Lieferkettenmanagement und sogar Lernen für die Materialwissenschaft. Seine Arbeit an einem breiten Spektrum von Problemen machte deutlich, wie wichtig es ist, eine Vielzahl von Methoden zu verwenden.

Dabei erkannte er, dass jedes sequentielle Entscheidungsproblem mit Hilfe eines einzigen universellen Rahmens modelliert werden kann, der die Suche nach Methoden zur Entscheidungsfindung beinhaltet. Das Ziel dieses Buches ist es, den Lesern zu vermitteln, wie man ein sequentielles Entscheidungsproblem angeht, modelliert und löst. Zu diesem Zweck wird ein Modellierungsrahmen, der jedes sequentielle Entscheidungsproblem darstellen kann, anhand von Beispielen veranschaulicht.

Er befasst sich mit der Herausforderung, Methoden, so genannte Policies, für die Entscheidungsfindung zu entwerfen, und beschreibt vier Klassen von Policies, die insofern universell sind, als sie jede Methode abdecken, die verwendet werden könnte, sei es aus der akademischen Literatur oder in der Praxis verwendete Heuristiken. Dies bedeutet zwar nicht, dass jedes Problem sofort gelöst werden kann, aber der Rahmen hilft, die in der akademischen Literatur zu beobachtende Tendenz zu vermeiden, sich auf enge Klassen von Methoden zu konzentrieren.

Weitere Daten des Buches:

ISBN:9781638280828
Autor:
Verlag:
Sprache:Englisch
Einband:Hardcover

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Ungefähres dynamisches Programm - Approximate Dynamic Programmin
(Lob für die erste Ausgabe)"Endlich ein Buch, das sich der dynamischen Programmierung widmet und in...
Ungefähres dynamisches Programm - Approximate Dynamic Programmin
Sequentielle Entscheidungsanalyse und Modellierung: Modellierung mit Python - Sequential Decision...
Sequentielle Entscheidungsprobleme treten in...
Sequentielle Entscheidungsanalyse und Modellierung: Modellierung mit Python - Sequential Decision Analytics and Modeling: Modeling with Python
Ein moderner Ansatz für den Unterricht zur Einführung in die Optimierung - A Modern Approach to...
Optimierung sollte die Wissenschaft vom Treffen...
Ein moderner Ansatz für den Unterricht zur Einführung in die Optimierung - A Modern Approach to Teaching an Introduction to Optimization
Verstärkungslernen und stochastische Optimierung: Ein einheitlicher Rahmen für sequenzielle...
VERSTÄRKUNGSLERNEN UND STOCHASTISCHE OPTIMIERUNG ...
Verstärkungslernen und stochastische Optimierung: Ein einheitlicher Rahmen für sequenzielle Entscheidungen - Reinforcement Learning and Stochastic Optimization: A Unified Framework for Sequential Decisions

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht: