Einstieg in Deep Reinforcement Learning

Beschreibung

- Grundlegende Konzepte und Terminologie - Praktischer Einsatz mit PyTorch - Projekte umsetzen Dieses Buch zeigt Ihnen, wie Sie Agenten programmieren, die basierend auf direktem Feedback aus ihrer Umgebung selbstständig lernen und sich dabei verbessern. Sie werden Netzwerke mit dem beliebten PyTorch-Deep-Learning-Framework aufbauen, um bestärkende Lernalgorithmen zu erforschen. Diese reichen von Deep-Q-Networks über Methoden zur Gradientenmethode bis hin zu evolutionären Algorithmen. Im weiteren Verlauf des Buches wenden Sie Ihre Kenntnisse in praktischen Projekten wie der Steuerung simulierter Roboter, der Automatisierung von Börsengeschäften oder dem Aufbau eines Spiel-Bots an. Aus dem Inhalt: - Strukturierungsprobleme als Markov-Entscheidungsprozesse - Beliebte Algorithmen wie Deep Q-Networks, Policy Gradient-Methode und Evolutionäre Algorithmen und die Intuitionen, die sie antreiben - Anwendung von Verstärkungslernalgorithmen auf reale Probleme EXTRA: E-Book inside Systemvoraussetzungen für E-Book inside: Internet-Verbindung und Adobe-Reader oder Ebook-Reader bzw. Adobe Digital Editions.
- Deep Reinforcement Learning ist Grundlage für fortgeschrittene KI-Anwendungen - Grundlegende Konzepte werden erklärt - Praktischer Einsatz mit PyTorch

Autor*in

Alexander Zai
Alexander Zai ist Machine Learning Engineer bei Amazon AI und arbeitet an MXNet, das eine Reihe von AWS-Maschinenlernprodukten unterstützt. Er ist auch Mitbegründer von Codesmith, einem Bootcamp für Softwareentwicklung mit Niederlassungen in Los Angeles und New York.

Themen in »Einstieg in Deep Reinforcement Learning«

Agententechnologie AlphaGo Autonomes Fahren Bestärkendes Lernen Deep Learning Deep Q-Networks Künstliche Intelligenz Machine Learning Python PyTorch

Stimmen zu »Einstieg in Deep Reinforcement Learning«

Details

Link teilen