Andere Kunden interessierten sich auch für
![Einstieg in Deep Reinforcement Learning]( "Einstieg in Deep Reinforcement Learning")
Einstieg in Deep Reinforcement Learning39,99 €![PyTorch kompakt]( "PyTorch kompakt")
PyTorch kompakt29,90 €![Design Patterns für Machine Learning]( "Design Patterns für Machine Learning")
Design Patterns für Machine Learning44,90 €![Machine Learning Kochbuch]( "Machine Learning Kochbuch")
Machine Learning Kochbuch36,90 €![PyTorch für Deep Learning]( "PyTorch für Deep Learning")
PyTorch für Deep Learning34,90 €![Deep Learning - Grundlagen und Implementierung]( "Deep Learning - Grundlagen und Implementierung")
Deep Learning - Grundlagen und Implementierung32,90 €![Praxisbuch Unsupervised Learning]( "Praxisbuch Unsupervised Learning")
Praxisbuch Unsupervised Learning39,90 €
Alle wichtigen Methoden und Algorithmen praxisnah erläutert mit Codebeispielen in PythonSelbstständig lernende Agenten programmieren für die Steuerung von Robotern, NLP in interaktiven Spielen, Chatbots und mehrDeep 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 NetzenErmitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehrBauen und Trainieren eines kostengünstigen Hardware-RobotersNLP in Microsofts TextWorld-Umgebungfür interaktive SpieleDiskrete Optimierung für das Lösen von ZauberwürfelnTrainieren von Agenten für Vier Gewinnt mittels AlphaGo ZeroDie neuesten Deep-RL-Methoden für ChatbotsModerne Explorationsverfahren wie verrauschte Netze und Netz-Destillation
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 NetzenErmitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehrBauen und Trainieren eines kostengünstigen Hardware-RobotersNLP in Microsofts TextWorld-Umgebungfür interaktive SpieleDiskrete Optimierung für das Lösen von ZauberwürfelnTrainieren von Agenten für Vier Gewinnt mittels AlphaGo ZeroDie neuesten Deep-RL-Methoden für ChatbotsModerne Explorationsverfahren wie verrauschte Netze und Netz-Destillation
»Alle Beispiele können auch ohne Zugang zu großer Rechenleistung umgesetzt werden. Unter Einsatz von Python und PyTorch ermöglicht der Autor so einen praktischen Einstieg in die Konzepte und Methoden des Reinforcement Learnings.« (SPS Magazin 12/2022)
»Das Buch wendet sich an Leser mit guten Kenntnissen in Machine Learning und Deep Learning sowie in der Sprache Python. [...] Der besondere Wert des Buchs auch für kleinere Bibliotheken liegt darin, dass die vielen Beispiele auch ohne Zugang zu sehr großen Rechenleistungen, z.B. schon auf leistungsstärkeren Workstations nachvollzogen werden können.« (ekz-Bibliotheksservice, 08/2020)
»Das Buch wendet sich an Leser mit guten Kenntnissen in Machine Learning und Deep Learning sowie in der Sprache Python. [...] Der besondere Wert des Buchs auch für kleinere Bibliotheken liegt darin, dass die vielen Beispiele auch ohne Zugang zu sehr großen Rechenleistungen, z.B. schon auf leistungsstärkeren Workstations nachvollzogen werden können.« (ekz-Bibliotheksservice, 08/2020)