Einstieg in Deep Reinforcement Learning

KI-Agenten mit Python und PyTorch programmieren. Inkl. E-Book

39,99 € (Print)

inkl. MwSt., ggf. zzgl. Versandkosten

sofort lieferbar
39,99 € (PDF)

sofort lieferbar

39,99 € (ePub)

sofort lieferbar

Beschreibung
Einstieg in Deep Reinforcement Learning
- 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.
Einstieg in Deep Reinforcement Learning
- 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.
Kundenbewertungen für "Einstieg in Deep Reinforcement Learning"
(Geprüfte Bewertung)
19.12.2022

Eine sehr gute Ressource für alle, die sich für Reinforcment Learning Methoden interessieren

"Einstieg in Deep Reinforcement Learning: KI-Agenten mit Python und PyTorch programmieren" von Alexander Zai und Brandon Brown ist ein umfassendes und detailliertes Buch über Reinforcement Learning (RL).
Das Buch beginnt mit einer Einführung in RL und der Modellierung von RL-Problemen mithilfe von Markov Decision Processes (MDPs). Der Autor erklärt, wie man Netzwerke mit PyTorch erstellt und Deep Q-Networks (DQN) implementiert, um RL-Probleme zu lösen. Er zeigt auch, wie man die Gridworld-Spiele-Engine verwendet, um RL-Algorithmen zu testen und zu vergleichen.
Ein weiterer Schwerpunkt des Buches liegt auf der Verwendung von Policy-Gradient-Methoden, um RL-Probleme zu lösen. Der Autor erklärt, wie man die OpenAI Gym verwendet, um RL-Algorithmen zu trainieren und zu testen, und zeigt, wie man zusammen mit RL Evolutionäre Algorithmen verwendet. Er diskutiert auch die Vor- und Nachteile von evolutionären Algorithmen im Vergleich zu anderen RL-Methoden.
Das Buch enthält auch Kapitel über Q-Learning und Wahrscheinlichkeitsrechnung und Statistik. Der Autor zeigt, wie man Multi-Agent Reinforcement Learning (MARL) verwendet, um Probleme mit mehreren Agenten zu lösen, und er diskutiert auch Aufmerksamkeitsmodelle und relationale Modelle im Kontext von Reinforcement Learning.
Insgesamt bietet das Buch eine umfassende Einführung in RL-Methoden und ist eine ausgezeichnete Ressource für alle, die sich für das Thema interessieren. Der Autor hat eine leicht verständliche und praxisorientierte Herangehensweise, die es dem Leser ermöglicht, die Konzepte schnell zu verstehen und in der Praxis anzuwenden. Ich empfehle dieses Buch allen, die sich für Reinforcement Learning interessieren und ihre Fähigkeiten in diesem Bereich vertiefen möchten.

Bewertung schreiben
Bewertungen werden nach Überprüfung freigeschaltet.

Die mit einem * markierten Felder sind Pflichtfelder.

Autor(en)

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.
Brandon Brown ist Arzt und Programmierer. Er bloggt über maschinelles Lernen und Datenanalyse auf outlace.com.

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.
Brandon Brown ist Arzt und Programmierer. Er bloggt über maschinelles Lernen und Datenanalyse auf outlace.com.

Weitere Titel des Autors Auch oft angesehen
Auch oft angesehen
Newsletter

Nichts mehr verpassen!

Aktuelles & Angebote
im monatlichen IT-Newsletter.

Hanser Youtube Channel

Autoreninterviews,
Messebesuche, Buchvorstellungen,
Events
und vieles mehr.

Hanser Podcast

Wissen für die Ohren

Themen aus Wirtschaft,
Management und Technik