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. Das Handbuch zeigt auf, wie Anwender diese Mathode in der Praxis einsetzen können. Sie sollen lernen, wie passende RL-Methoden für Problemstellungen auswählt werden können und mithilfe von Deep-Learning-Methoden Agenten für verschiedene Aufgaben trainieren. 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, wie u.a. Deep Q-Networks, Trust Region Policy Optimization und genetische Algorithmen. Grundlegende Kenntnisse in Machine Learning und Deep Learning sowie ein sicherer Umgang mit Python werden vorausgesetzt.
MITP Verlags GmbH & Co. KG • 1. Aufl. 2020 • 768S. • ISBN 9783747500361
