Deep Reinforcement Learning. Theorie und Praxis mit Python

Deep Reinforcement Learning: Theorie und Praxis von Laura Graesser und Wah Loon Keng

Interessieren Sie sich dafür, die Leistungsfähigkeit von Deep Learning und Reinforcement Learning zu kombinieren? Dieses Buch bietet einen tiefgehenden und praktischen Ansatz für dieses spannende Feld des maschinellen Lernens. Sie erfahren, wie virtuelle Agenten lernen, sequenzielle Aufgaben zu lösen und optimale Entscheidungen zu treffen.

Bahnbrechende Errungenschaften im Training virtueller Agenten

Die letzten Jahrzehnte waren geprägt von außergewöhnlichen Errungenschaften im Bereich des Trainings von Agenten, die mit verschiedenen Umgebungen interagieren. Von Einzel- und Mehrspieler-Spielen über Atari-Videospiele und Dota bis hin zur Robotik – Reinforcement Learning zeigt sein enormes Potenzial.

Einzigartiger Ansatz: Theorie und Praxis des Deep Reinforcement Learning

Dieses Buch ist eine einzigartige Kombination aus Theorie und Praxis. Laura Graesser und Wah Loon Keng beginnen mit den Grundlagen und erklären schrittweise und detailliert die Theorie und Algorithmen des Deep Reinforcement Learning. Besonderes Augenmerk liegt auf der praktischen Umsetzung – alle Konzepte werden anhand von Beispielen und der Softwarebibliothek SLM Lab demonstriert.

Praktische Anwendung und die SLM Lab-Bibliothek

Die Autoren, Laura Graesser und Wah Loon Keng, vermitteln nicht nur die Theorie, sondern zeigen auch, wie man Deep Reinforcement Learning in der Praxis anwendet. Sie erlernen die Nutzung der SLM Lab-Bibliothek, was es Ihnen ermöglicht, selbstständig intelligente Agenten zu entwickeln und zu trainieren.

Für wen ist dieses Buch geeignet?

Dieser Leitfaden ist ideal für Studierende der Informatik und Softwareentwickler, die mit den grundlegenden Prinzipien des maschinellen Lernens vertraut sind und Python beherrschen. Das Buch ist eine hervorragende Unterstützung für alle, die Deep Reinforcement Learning erlernen und in ihren eigenen Projekten anwenden möchten.