Beschreibung
Deep Reinforcement Learning Hands-On von Maxim Lapan ist ein umfassender Leitfaden zu modernen Methoden des Reinforcement Learning (RL). Das Buch behandelt eine Vielzahl von Themen, darunter tiefe Q-Netzwerke, Wertiteration, Policy-Gradienten, TRPO und AlphaGo Zero. Die Leser lernen, wie sie diese Techniken anwenden können, um komplexe reale Probleme mit Deep Learning (DL) zu lösen. Das Buch bietet eine Einführung in die Grundlagen des RL, die es den Lesern ermöglicht, intelligente Lernagenten für verschiedene Aufgaben zu programmieren. Es enthält praktische Beispiele wie die Implementierung von Q-Learning in 'Grid-World'-Umgebungen, das Trainieren von Agenten für den Aktienhandel und das Besiegen von Atari-Arcade-Spielen mithilfe von Wertiteration. Darüber hinaus untersucht das Buch die neuesten Forschungen im Bereich des tiefen RL, einschließlich KI-gesteuerter Chatbots. Während eine gewisse Vertrautheit mit Python und grundlegenden DL-Ansätzen vorausgesetzt wird, sind keine Vorkenntnisse im RL erforderlich. Das Buch wurde 2018 von Packt Publishing veröffentlicht, aber eine neuere, für 2020 aktualisierte Ausgabe ist verfügbar, die zusätzliche Kapitel über Multi-Agenten-Methoden und RL in der Robotik bietet.
- KategorieBildung & Forschung
Buchdetails
Erforschen Sie tiefes Reinforcement Learning von den Grundlagen
Bewerten Sie hochkarätige RL-Methoden wie TRPO und PPO
Lernen Sie Markov-Entscheidungsprozesse als Grundlage für RL
Implementieren Sie Q-Learning in 'Grid-World'-Umgebungen
Trainieren Sie Agenten für den Aktienhandel mit OpenAI Gym
Besiegen Sie Atari-Spiele mit Wertiteration
Lehren Sie Agenten, Connect4 mit AlphaGo Zero zu spielen
Entdecken Sie die Forschung zu KI-gesteuerten Chatbots
Für wen dieses Buch ist
- Aktienhandelsagent
- Strategien für Atari-Spiele
- Connect4-Spiel
- KI-gesteuerte Chatbots
- Grid-World-Umgebungen
