{"product_id":"deep-reinforcement-learning-das-umfassende-praxis-handbuch-von-maxim-lapan","title":"Deep Reinforcement Learning","description":"\n                                \n                \u003cul\u003e\n                                        \n                    \u003cli\u003e\n                                                \n                        \u003cb\u003eAlle wichtigen Methoden und Algorithmen praxisnah erläutert mit Codebeispielen in Python\u003c\/b\u003e\n                                            \n                    \u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003e\n                                                \n                        \u003cb\u003eSelbstständig lernende Agenten programmieren für die Steuerung von Robotern, NLP in interaktiven Spielen, Chatbots und mehr\u003c\/b\u003e\n                                            \n                    \u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003e\n                                                \n                        \u003cb\u003eDeep Q-Networks, Wertiteration, Policy Gradients, Trust Region Policy Optimization (TRPO), genetische Algorithmen, moderne Explorationsverfahren u.v.m.\u003c\/b\u003e\n                                            \n                    \u003c\/li\u003e\n                                    \n                \u003c\/ul\u003e\n                                \n                \n                \u003cp\u003eReinforcement 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.\u003c\/p\u003e\n                                \n                \n                \u003cp\u003eIn 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.\u003c\/p\u003e\n                                \n                \n                \u003cp\u003eAlle 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.\u003c\/p\u003e\n                                \n                \n                \u003cp\u003eEs werden grundlegende Kenntnisse in Machine Learning und Deep Learning sowie ein sicherer Umgang mit Python vorausgesetzt.\u003c\/p\u003e\n                                \n                \n                \u003cb\u003eAus dem Inhalt:\u003c\/b\u003e\n                                \n                \n                \u003cul\u003e\n                                        \n                    \n                    \u003cli\u003eImplementierung komplexer Deep-Learning-Modelle mit RL in tiefen neuronalen Netzen\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eErmitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehr\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eBauen und Trainieren eines kostengünstigen Hardware-Roboters\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eNLP in Microsofts TextWorld-Umgebung für interaktive Spiele\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eDiskrete Optimierung für das Lösen von Zauberwürfeln\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eTrainieren von Agenten für Vier Gewinnt mittels AlphaGo Zero\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eDie neuesten Deep-RL-Methoden für Chatbots\u003c\/li\u003e\n                                        \n                    \n                    \u003cli\u003eModerne Explorationsverfahren wie verrauschte Netze und Netz-Destillation\u003c\/li\u003e\n                                        \n                \n                \u003c\/ul\u003e\n                            \n            \u003cdiv class=\"aw-variant-hidden-subtitle-div\" id=\"aw-variant-subtitle-9783747500361\"\u003e\u003ch3\u003eDas umfassende Praxis-Handbuch. Moderne Algorithmen für Chatbots, Robotik, diskrete Optimierung und Web-Automatisierung inkl. Multiagenten-Methoden\u003c\/h3\u003e\u003c\/div\u003e","brand":"Libri","offers":[{"title":"Paperback - 9783747500361","offer_id":50270126932293,"sku":"9783747500361","price":10.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0940\/0622\/files\/195165bc-23a9-4bc1-abb9-0f972ad34721.jpg?v=1780463208","url":"https:\/\/shop.autorenwelt.de\/products\/deep-reinforcement-learning-das-umfassende-praxis-handbuch-von-maxim-lapan","provider":"Autorenwelt Shop","version":"1.0","type":"link"}