Deep Reinforcement Learning

Praktische und umfassende Einführung in Reinforcement Learning von den grundlegenden Prinzipien bis hin zu den neuesten Algorithmen Die wichtigsten Methoden anschaulich erläutert: Deep-Q-Networks, Wertiteration, Policy Gradients, Trust Region Policy Optimization (TRPO), genetische Algorithmen und mehr Praktische Implementierung aller Methoden mit Beispielcode in Python Reinforcement Learning ist ein Teilgebiet des Machine Learnings, das sich auf die anspruchsvolle Aufgabe konzentriert, optimales Verhalten in komplexen Umgebungen zu erlernen. Der Lernvorgang wird ausschließlich durch den Wert einer Belohnung und durch Beobachtung der Umgebung gesteuert. In diesem Buch beschreibt Maxim Lapan alle wichtigen Methoden des Reinforcement Learnings praxisnah und anhand von Implementierungsbeispielen in Python. Auf diese Weise vermittelt er nicht nur die Grundlagen des Reinforcement Learnings, sondern zeigt auch anschaulich, wie die einzelnen Methoden in der Praxis eingesetzt werden. Unter Verwendung der Bibliothek PyTorch können so beispielsweise Neuronale Netze für Atari-Spiele oder Vier Gewinnt trainiert werden. In umfangreicheren Implementierungsbeispielen zeigt Maxim Lapan darüber hinaus den Einsatz von Reinforcement Learning für den Handel mit Aktien und Natural Language Processing. Es werden grundlegende Kenntnisse in den Bereichen Machine Learning und Deep Learning sowie ein sicherer Umgang mit Python vorausgesetzt.