Deep Reinforcement Learning : das umfassende Praxis-Handbuch

Titel: Deep Reinforcement Learning das umfassende Praxis-Handbuch
verantwortlich: Lapan, Maxim (VerfasserIn); Lorenzen, Knut (ÜbersetzerIn); mitp Verlags GmbH & Co. KG (Verlag)
Werktitel: Deep reinforcement learning hands-on
Ausgabe: 1. Auflage
veröffentlicht: Frechen: mitp, 2020
Erscheinungsjahr: 2020
Teil von: mitp Professional
Erscheint auch als: Lapan, Maxim, Deep Reinforcement Learning, 1. Auflage, Frechen : mitp, 2020, 762 Seiten
Andere Ausgaben: Deep Reinforcement Learning: das umfassende Praxis-Handbuch
Medientyp: E-Book
Datenquelle: K10plus Verbundkatalog
Tags: Tag hinzufügen

Zugang

Weitere Informationen sehen Sie, wenn Sie angemeldet sind. Noch keinen Account? Jetzt registrieren.

Zusammenfassung

Alle wichtigen Methoden und Algorithmen praxisnah erläutert mit Codebeispielen in Python Selbstständig lernende Agenten programmieren für die Steuerung von Robotern, NLP in interaktiven Spielen, Chatbots und mehr Deep Q-Networks, Wertiteration, Policy Gradients, Trust Region Policy Optimization (TRPO), genetische Algorithmen, moderne Explorationsverfahren u.v.m. Reinforcement Learning ist ein Teilgebiet des Machine Learnings. Hierbei werden selbstständig lernende Agenten programmiert, deren Lernvorgang ausschließlich durch ein Belohnungssystem und die Beobachtung der Umgebung gesteuert wird. In diesem umfassenden Praxis-Handbuch zeigt Ihnen Maxim Lapan, wie Sie diese zukunftsweisende Technologie in der Praxis einsetzen. Sie lernen, wie Sie passende RL-Methoden für Ihre Problemstellung auswählen und mithilfe von Deep-Learning-Methoden Agenten für verschiedene Aufgaben trainieren wie zum Beispiel für das Lösen eines Zauberwürfels, für Natural Language Processing in Microsofts TextWorld-Umgebung oder zur Realisierung moderner Chatbots. Alle Beispiele sind so gewählt, dass sie leicht verständlich sind und Sie diese auch ohne Zugang zu sehr großer Rechenleistung umsetzen können. Unter Einsatz von Python und der Bibliothek PyTorch ermöglicht Ihnen der Autor so einen einfachen und praktischen Einstieg in die Konzepte und Methoden des Reinforcement Learnings wie Deep Q-Networks, Wertiteration, Policy Gradients, Trust Region Policy Optimization (TRPO), genetische Algorithmen und viele mehr. Es werden grundlegende Kenntnisse in Machine Learning und Deep Learning sowie ein sicherer Umgang mit Python vorausgesetzt.

Umfang

1 Online-Ressource (762 Seiten); Illustrationen

Sprache

Deutsch, Englisch

Schlagworte