Reinforcement Learning (PDF)

Name: Reinforcement Learning
Brand: Springer Berlin Heidelberg
SKU: 153503495
Price: 24.99 EUR
Availability: OnlineOnly

Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot

Autor: Uwe Lorenz

Schreiben Sie einen Kommentar zu "Reinforcement Learning".

Merken

Mehr zum Inhalt Autorenporträt Video

eBook (pdf) 24.99 €

Buch (Kartoniert) 32.99 €

sofort als Download lieferbar

Bestellnummer: 153503495

Printausgabe 32.99 €

eBook (pdf) -24% 24.99 €

Download bestellen

Verschenken

12 DeutschlandCard Punkte sammeln

Lastschrift, Kreditkarte, Paypal, Rechnung
Kostenloser tolino webreader

Produktdetails

Produktbeschreibung
Autorenporträt
eBook Hilfe
Biblio. Angaben / Produktdetails

Produktinformationen zu „Reinforcement Learning (PDF)“

In uralten Spielen wie Schach oder Go können sich die brillantesten Spieler verbessern, indem sie die von einer Maschine produzierten Strategien studieren. Robotische Systeme üben ihre Bewegungen selbst. In Arcade Games erreichen lernfähige Agenten innerhalb weniger Stunden übermenschliches Niveau. Wie funktionieren diese spektakulären Algorithmen des Bestärkenden Lernens? Mit gut verständlichen Erklärungen und übersichtlichen Beispielen in Java und Greenfoot können Sie sich die Prinzipien des Bestärkenden Lernens aneignen und in eigenen intelligenten Agenten anwenden. Greenfoot (M. Kölling, King's College London) und das Hamster-Modell (D. Bohles, Universität Oldenburg) sind einfache, aber auch mächtige didaktische Werkzeuge, die entwickelt wurden, um Grundkonzepte der Programmierung zu vermitteln. Wir werden Figuren wie den Java-Hamster zu lernfähigen Agenten machen, die eigenständig ihre Umgebung erkunden.

Die zweite Auflage enthält neue Themen wie "Genetische Algorithmen" und "Künstliche Neugier" sowie Erklärungen zu aktuellen Algorithmen wie A3C und PPO (wurde u.a. für das Finetuning von ChatGPT verwendet) außerdem Korrekturen und Überarbeitungen.

Der Inhalt

Bestärkendes Lernen als Teilgebiet des Maschinellen Lernens
Grundbegriffe des Bestärkenden Lernens
Optimale Entscheidungen in einem bekannten Umweltsystem
Entscheiden und Lernen in einem unbekannten Umweltsystem
Neuronale Netze als Schätzer für Zustandsbewertungen und Aktionspreferenzen
Werden digitale Agenten bald intelligenter als Menschen sein?
Leitbilder in der KI

Die Zielgruppen

Fortbildung für Lehrkräfte, Dozenten, die Einblicke in die Programmierung von lernfähigen Agenten bekommen möchten
Techniker, Informatiker, die ML-Algorithmen besser verstehen wollen
Programmierer, die Lernalgorithmen selbst implementieren wollen
Schüler und Studierende, die sich mit Maschinellem Lernen und intelligenten Agenten beschäftigen

Der Autor

Uwe Lorenz war nach seinem Studium der Informatik und Philosophie mit Schwerpunkt Künstliche Intelligenz und Maschinelles Lernen an der Humboldt-Universität in Berlin und einigen Jahren als Projektingenieur für 10 Jahr als Gymnasiallehrer für Informatik und Mathematik tätig. Seit seinem Erstkontakt mit Computern Ende der 80er Jahre hat ihn das Thema Künstliche Intelligenz nicht mehr losgelassen. Derzeit arbeitet er als wissenschaftlicher Mitarbeiter in der Arbeitsgruppe Didaktik der Informatik an der Freien Universität Berlin in einem Projekt zur Thematik "Verantwortungsvolle Künstliche Intelligenz in der Lehramtsausbildung".

Autoren-Porträt von Uwe Lorenz

Uwe Lorenz war nach seinem Studium der Informatik und Philosophie mit Schwerpunkt künstliche Intelligenz und maschinelles Lernen an der Humboldt-Universität in Berlin und einigen Jahren als Projektingenieur für 10 Jahr als Gymnasiallehrer für Informatik und Mathematik tätig. Seit seinem Erstkontakt mit Computern Ende der 80er Jahre hat ihn das Thema Künstliche Intelligenz nicht mehr losgelassen. Derzeit arbeitet er als wissenschaftlicher Mitarbeiter in der Arbeitsgruppe Didaktik der Informatik bei Prof. Dr. Romeike an der Freien Universität Berlin in einem Projekt zur Thematik "Verantwortungsvolle Künstliche Intelligenz in der Lehramtsausbildung".