國立虎尾科技大學 |

Reinforcement Learning = Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Reinforcement Learning/ von Uwe Lorenz.
其他題名:	Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot /
作者:	Lorenz, Uwe.
面頁冊數:	XVIII, 170 S. 84 Abb., 57 Abb. in Farbe.online resource. :
Contained By:	Springer Nature eBook
標題:	Java. -
電子資源:	https://doi.org/10.1007/978-3-662-61651-2
ISBN:	9783662616512

Reinforcement Learning = Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot /
Lorenz, Uwe.

Reinforcement LearningAktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot /[electronic resource] :von Uwe Lorenz. - 1st ed. 2020. - XVIII, 170 S. 84 Abb., 57 Abb. in Farbe.online resource.

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.

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. Der Inhalt 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 – Monte Carlo-Evaluationen und Monte Carlo-Baumsuche (MCTS) – Q- und Sarsa Learning, Eignungspfade, Dyna-Q – Policy Gradient und Actor-Critic neuronale Netze als Schätzer für Zustandsbewertungen und Aktionspreferenzen Werden digitale Agenten bald intelligenter als Menschen sein? Leitbilder in der K.I. 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 oder Studierende, die sich mit maschinellem Lernen und intelligentenAgenten beschäftigen Der Autor Uwe Lorenz ist 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 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.

ISBN: 9783662616512

Standard No.: 10.1007/978-3-662-61651-2doiSubjects--Topical Terms:

1115949
Java.

LC Class. No.: QA268

Dewey Class. No.: 003.54

Reinforcement Learning = Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot /
LDR:04189nam a22003735i 4500 001 1026157
003 DE-He213
005 20200902082431.0
007 cr nn 008mamaa
008 210318s2020 gw | s |||| 0|ger d
020 $a 9783662616512 $9 978-3-662-61651-2
024 7 $a 10.1007/978-3-662-61651-2 $2 doi
035 $a 978-3-662-61651-2
050 4 $a QA268
050 4 $a Q350-390
072 7 $a GPJ $2 bicssc
072 7 $a COM031000 $2 bisacsh
072 7 $a GPJ $2 thema
072 7 $a GPF $2 thema
082 0 4 $a 003.54 $2 23
100 1 $a Lorenz, Uwe. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1322453
245 1 0 $a Reinforcement Learning $h [electronic resource] : $b Aktuelle Ansätze verstehen - mit Beispielen in Java und Greenfoot / $c von Uwe Lorenz.
250 $a 1st ed. 2020.
264 1 $a Berlin, Heidelberg : $b Springer Berlin Heidelberg : $b Imprint: Springer Vieweg, $c 2020.
300 $a XVIII, 170 S. 84 Abb., 57 Abb. in Farbe. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
505 0 $a 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.
520 $a 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. Der Inhalt 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 – Monte Carlo-Evaluationen und Monte Carlo-Baumsuche (MCTS) – Q- und Sarsa Learning, Eignungspfade, Dyna-Q – Policy Gradient und Actor-Critic neuronale Netze als Schätzer für Zustandsbewertungen und Aktionspreferenzen Werden digitale Agenten bald intelligenter als Menschen sein? Leitbilder in der K.I. 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 oder Studierende, die sich mit maschinellem Lernen und intelligentenAgenten beschäftigen Der Autor Uwe Lorenz ist 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 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.
650 2 4 $a Java. $3 1115949
650 2 4 $a Computer Applications. $3 669785
650 2 4 $a Data Mining and Knowledge Discovery. $3 677765
650 1 4 $a Coding and Information Theory. $3 669784
650 0 $a Java (Computer program language). $3 686374
650 0 $a Application software. $3 528147
650 0 $a Data mining. $3 528622
650 0 $a Information theory. $3 595305
650 0 $a Coding theory. $3 561460
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783662616505
856 4 0 $u https://doi.org/10.1007/978-3-662-61651-2
912 $a ZDB-2-STI
950 $a Computer Science and Engineering (German Language) (SpringerNature-11774)