Deep Reinforcement Learning in Action

Menschen lernen am besten durch Feedback; wir werden ermutigt, Handlungen zu ergreifen, die zu positiven Ergebnissen führen, während wir von Entscheidungen mit negativen Konsequenzen abgehalten werden. Dieser Verstärkungsprozess kann auf Computerprogramme angewendet werden, sodass sie komplexere Probleme lösen können, die mit klassischer Programmierung nicht zu bewältigen sind.

Deep Reinforcement Learning in Action vermittelt Ihnen die grundlegenden Konzepte und Terminologien des Deep Reinforcement Learning sowie die praktischen Fähigkeiten und Techniken, die Sie benötigen, um es in Ihre eigenen Projekte zu integrieren.

Hauptmerkmale

• Strukturierung von Problemen als Markov-Entscheidungsprozesse
• Beliebte Algorithmen wie Deep Q-Networks, Policy-Gradient-Methode und evolutionäre Algorithmen sowie die Intuitionen, die sie antreiben
• Anwendung von Reinforcement-Learning-Algorithmen auf reale Probleme

Zielgruppe

Sie sollten über mittlere Python-Kenntnisse und ein grundlegendes Verständnis von Deep Learning verfügen.

Über die Technologie

Deep Reinforcement Learning ist eine Form des maschinellen Lernens, bei der KI-Agenten optimales Verhalten aus ihren eigenen Rohsensordaten lernen. Das System nimmt die Umgebung wahr, interpretiert die Ergebnisse seiner vergangenen Entscheidungen und nutzt diese Informationen, um sein Verhalten für maximalen langfristigen Ertrag zu optimieren. Deep Reinforcement Learning hat massgeblich zum Erfolg von AlphaGo beigetragen, aber das ist nicht alles, was es kann!.