PORTO-
FREI

Deep Reinforcement Learning

Das umfassende Praxis-Handbuch. Moderne Algorithmen für Chatbots, Robotik, diskrete Optimierung und Web-Automatisierung inkl. Multiagenten-Methoden

von Lapan, Maxim   (Autor)

* 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. Aus dem Inhalt: * Implementierung komplexer Deep-Learning-Modelle mit RL in tiefen neuronalen Netzen * Ermitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehr * Bauen und Trainieren eines kostengünstigen Hardware-Roboters * NLP in Microsofts TextWorld-Umgebung für interaktive Spiele * Diskrete Optimierung für das Lösen von Zauberwürfeln * Trainieren von Agenten für Vier Gewinnt mittels AlphaGo Zero * Die neuesten Deep-RL-Methoden für Chatbots * Moderne Explorationsverfahren wie verrauschte Netze und Netz-Destillation

Buch (Kartoniert)

EUR 10,00

Alle Preisangaben inkl. MwSt.

SOFORT LIEFERBAR (am Lager)
(Nur noch wenige Exemplare auf Lager)

Versandkostenfrei*

Versandtermin: 11. Juni 2025, wenn Sie jetzt bestellen.
(innerhalb Deutschlands, Sendungen in Geschenkverpackung: + 1 Werktag)

 
 

Produktbeschreibung

* 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.

Aus dem Inhalt:

* Implementierung komplexer Deep-Learning-Modelle mit RL in tiefen neuronalen Netzen

* Ermitteln der passenden RL-Methoden für verschiedene Problemstellungen, darunter DQN, Advantage Actor Critic, PPO, TRPO, DDPG, D4PG und mehr

* Bauen und Trainieren eines kostengünstigen Hardware-Roboters

* NLP in Microsofts TextWorld-Umgebung für interaktive Spiele

* Diskrete Optimierung für das Lösen von Zauberwürfeln

* Trainieren von Agenten für Vier Gewinnt mittels AlphaGo Zero

* Die neuesten Deep-RL-Methoden für Chatbots

* Moderne Explorationsverfahren wie verrauschte Netze und Netz-Destillation 

Kritik


¯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)  

Autoreninfo

Maxim Lapan ist Deep-Learning-Enthusiast und unabhängiger Forscher. Er hat langjährige Berufserfahrung mit Big Data und Machine Learning und beschäftigt sich derzeit insbesondere mit praktischen Anwendungen des Deep Learnings wie NLP und Deep Reinforcement Learning. 

Mehr vom Verlag:

MITP Verlags GmbH

Mehr aus der Reihe:

mitp Professional

Mehr vom Autor:

Lapan, Maxim

Produktdetails

Medium: Buch
Format: Kartoniert
Seiten: 762
Sprache: Deutsch
Erschienen: Juli 2020
Sonstiges: Großformatiges Paperback. Klappenbroschur. 7475003
Maße: 238 x 171 mm
Gewicht: 1280 g
ISBN-10: 3747500366
ISBN-13: 9783747500361
Verlagsbestell-Nr.: 74750036

Herstellerkennzeichnung

MITP Verlags GmbH
Augustinusstraße 9a
50226 Frechen
E-Mail: mitp-verlag@sigloch.de

Bestell-Nr.: 28229306 
Libri-Verkaufsrang (LVR):
Libri-Relevanz: 4 (max 9.999)
Bestell-Nr. Verlag: 74750036

Ist ein Paket? 1
Rohertrag: 2,81 €
Porto: 3,35 €
Deckungsbeitrag: -0,54 €

LIBRI: 2012023
LIBRI-EK*: 6.54 € (30%)
LIBRI-VK: 10,00 €
Libri-STOCK: 3
* EK = ohne MwSt.
P_SALEALLOWED: WORLD
DRM: 0
0 = Kein Kopierschutz
1 = PDF Wasserzeichen
2 = DRM Adobe
3 = DRM WMA (Windows Media Audio)
4 = MP3 Wasserzeichen
6 = EPUB Wasserzeichen

UVP: 0 
Warengruppe: 16320 

KNO: 79941010
KNO-EK*: 26.47 € (30%)
KNO-VK: 10,00 €
KNO-STOCK: 0
KNO-MS: 15

KNO-SAMMLUNG: mitp Professional
KNOABBVERMERK: 2020. 2020. 768 S. 240 mm
KNOSONSTTEXT: Großformatiges Paperback. Klappenbroschur. 7475003
Einband: Kartoniert
Sprache: Deutsch

Alle Preise inkl. MwSt. , innerhalb Deutschlands liefern wir immer versandkostenfrei . Informationen zum Versand ins Ausland .

Kostenloser Versand *

innerhalb eines Werktages

OHNE RISIKO

30 Tage Rückgaberecht

Käuferschutz

mit Geld-Zurück-Garantie