Hochschule für Gestaltung - Bibliothek

Titelsatz

Anzeigeformat

Vollanzeige Titelsatz

	Deep Reinforcement Learning: das umfassende Praxis-Handbuch
Inhaltstyp (RDA)	Text
Medientyp (RDA)	Computermedien
Datenträgertyp (RDA)	Online-Ressource
1. Person/Familie	Lapan, Maxim [VerfasserIn]
2. Person/Familie	Lorenzen, Knut [ÜbersetzerIn]
Titel	Deep Reinforcement Learning: das umfassende Praxis-Handbuch
1. Paralleltitel	Deep Reinforcement Learning Hands-On
Verantw.-ang.	Maxim Lapan ; Übersetzung aus dem Englischen von Knut Lorenzen
Verlagsort (RDA)	Frechen
Verlag (RDA)	mitp
E-Jahr (RDA)	2020
Umfangsangabe	1 Online-Ressource (762 Seiten) : Illustrationen
Titel der Serie	mitp Professional
Hinw. auf parallele Ausg.	Erscheint auch als (Druck-Ausgabe): 978-3-7475-0036-1
ISBN	978-3-7475-0038-5
URL	https://ebookcentral.proquest.com/lib/hfg-offenbach/detail.action?docID=6246942
Schlagwort / lok.	Maschinelles Lernen
Schlagwort / lok.	Mensch / Maschine / Interaktion
Inhaltliche Zsfg.	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.
Bestand	1
Sign-Info	E-Book

Hinweise zur Anzeige im Standardformat:

Klicken Sie auf eine unterstrichene Feldbezeichnung, um zur Indexliste zu kommen.
Klicken Sie auf Bestand, um zur Bestandsliste zu gelangen und ggf. zu bestellen.
Klicken Sie auf einen unterstrichenen Feldinhalt, um verwandte Titel zu sehen.
Klicken Sie auf den Pfeil, um verknüpfte Sätze aufzurufen.

Deep Reinforcement Learning: das umfassende Praxis-Handbuch