Reinforcement Learning
Springer Berlin (Verlag)
978-3-662-61650-5 (ISBN)
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 ist Uwe Lorenz derzeit als Gymnasiallehrer für Informatik und Mathematik tätig, - seit seinem Erstkontakt mit Computern Ende der 80iger Jahre hat ihn das Thema Künstliche Intelligenz nicht mehr losgelassen.
Bestärkendes Lernen als Teilgebiet des Maschinellen Lernens.-Grundbegriffe des Bestärkenden Lernens.-Optimale Entscheidungen in einem bekannten Umweltsystem.-Dynamische Programmierung.- rekursive Tiefensuche.-Entscheiden und Lernen in einem unbekannten Umweltsystem.-Q- und Sarsa Learning, Eignungspfade, Dyna-Q.-Policy Gradient und Actor Critic.- Monte Carlo-Evaluationen und Monte Carlo-Baumsuche (MCTS).-Künstliche neuronalen Netze als Schätzer für Zustandsbewertungen und Handlungspreferenzen.-Werden digitale Agenten bald intelligenter als Menschen sein?.-Leitbilder in der K.I..
Erscheinungsdatum | 16.09.2020 |
---|---|
Zusatzinfo | XVIII, 170 S. 84 Abb., 57 Abb. in Farbe. Book + eBook. |
Verlagsort | Berlin |
Sprache | deutsch |
Maße | 168 x 240 mm |
Gewicht | 331 g |
Themenwelt | Informatik ► Theorie / Studium ► Kryptologie |
Schlagworte | Actor-Critic • bestärkendes Lernen • Deep Reinforcement Learning • Greenfoot • Java-Hamster • Künstliche Intelligenz • Lernen durch Verstärkung • Maschinelles Lernen • Policy Gadient • Q-Learning • Reinforcement Learning • Sarsa • verstärkendes lernen |
ISBN-10 | 3-662-61650-5 / 3662616505 |
ISBN-13 | 978-3-662-61650-5 / 9783662616505 |
Zustand | Neuware |
Haben Sie eine Frage zum Produkt? |
aus dem Bereich