Deep Reinforcement Learning -- Das umfassende Praxis-Handbuch
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 (TRP...
| Otros Autores: | |
|---|---|
| Formato: | Libro electrónico |
| Idioma: | Inglés |
| Publicado: |
mitp Verlag
2020.
|
| Edición: | 2nd edition |
| Materias: | |
| Ver en Biblioteca Universitat Ramon Llull: | https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009630906006719 |
| Sumario: | 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. Aus dem Inhalt: Implementierung komplexer Deep-Learning-Modelle mit RL in tiefen neuronalen Netzen Ermitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehr Bauen und Trainieren eines kostengünstigen Hardware-Roboters NLP in Microsofts TextWorld-Umgebung für interaktive Spiele Diskrete Optimierung für das Lösen von Zauberwürfeln Trainieren von Agenten für Vier Gewinnt mittels AlphaGo Zero Die neuesten Deep-RL-Methoden für Chatbots Moderne Explorationsverfahren wie verrauschte Netze und Netz-Destillation Über den Autor: Maxim Lapan ist Deep-Learning-Enthusiast und unabhängiger Forscher. Er besitzt langjährige Berufserfahrung in den Bereichen Big Data und Machine Learning und hat das Talent, komplizierte Dinge in einfacher Sprache und mit anschaulichen Beispielen z... |
|---|---|
| Notas: | Place of publication from publisher's website. First published in English under title: Deep reinforcement learning hands-on, 2nd edition, Packt Publishing 2019. Cf. Title page verso. |
| Descripción Física: | 1 online resource (768 pages) |
| Bibliografía: | Includes bibliographical references. |
