Einstieg in Deep Reinforcement Learning

Deep Reinforcement Learning-Agenten lernen wie wir Menschen, sie nehmen Rohdaten wie z.B. Sensoreingaben auf und verbessern ihre Reaktionen und Vorhersagen durch Versuch und Irrtum. So können sich KI-Systeme mit Deep Reinforcement Learning schnell an neue Umgebungen anpassen, was eine enorme Verbesserung gegenüber dem Einsatz von neuronalen Standardnetzen ist.

Mit diesem Buch lernen Sie die grundlegenden Konzepte und die Terminologie des Deep Reinforcement Learning sowie die praktischen Fertigkeiten und Techniken, die Sie benötigen, um DRL in Ihren eigenen Projekten einzusetzen.

Jedes Kapitel konzentriert sich auf ein Hauptprojekt, welches das jeweilige Thema oder Konzept veranschaulicht. In Beispielen wie Gridworld, Atari Freeway oder Super Mario Bros. setzen Sie wichtige Klassen von Algorithmen wie Deep Q-Networks und Policy Gradients ein, verwenden Dist-DQN oder auf Neugierde basierendes Lernen. Alle Projekte sind in Python programmiert, wobei Tools wie PyTorch und OpenAI Gym genutzt werden.

Grundkenntnisse in Python und Deep Learning werden für die Arbeit mit dem Buch vorausgesetzt. Alle Projekte lassen sich ohne größere Rechnerressourcen umsetzen.