Artificial Intelligence und Reinforcement Learning in Python

Entwerfe eine eigene Künstliche Intelligenz (AI) die kleine Computerspiele meistern. Mit TensorFlow 2 und Keras [2022].
Artificial Intelligence und Reinforcement Learning in Python
File Size :
3.27 GB
Total length :
8h 52m

Category

Instructor

Jan Schaffranek

Language

Last update

Zuletzt aktualisiert am 11/2022

Ratings

4/5

Artificial Intelligence und Reinforcement Learning in Python

What you’ll learn

Verwende die neuste TensorFlow 2 Version
Entwickle eigene künstliche Intelligenzen
Erlerne die Methoden des Reinforcement Learnings
Programmiere eine AI, die selbstständig Videospiele spielen kann
Programmiere eine AI, die Probleme versteht und lösen kann
Wende Neuronale Netzwerke mit TensorFlow und Keras an
Verstehe die Theorie hinter dem Reinforcement Learning
Verwende die AI Bibliothek Gym für deine Probleme

Artificial Intelligence und Reinforcement Learning in Python

Requirements

Python Grundlagen
Mathematik Grundlagen aus dem Abitur

Description

Hinweis: Der Kurs wurde im 2022 erneuert und ist mit allen  TensorFlow 2 Versionen kompatibel.Bewertungen von Kursteilnehmern:”Was ich besonders gut finde ist, dass die unterschiedlichen Arten desRL Schritt für Schritt in komplexere Algorithmen ausgebaut werden. Anhand von Problemenbei Anwendungsfällen wird erklärt, warum etwas nicht funktioniert und wie man es löst.” (Thomas Albrecht)”Super Kurs. Kann ich nur jedem empfehlen der Lust auf Reinforcement Learning hat.Den Quellcode kann man wieder verwenden und ich habe einen sehr guten Einblick in dasReinforcement Learning bekommen.” (Roman Kröcker)”Der Kurs ist sehr detailliert und verständlich aufgebaut, sodass ich sogar alsnicht Student nachvollziehen kann, was gerade passiert.” (Tom Oltmanns)Kursbeschreibung:Wir bewegen uns auf das Zeitalter der künstlichen Intelligenz zu. Es wird in Zukunft unser aller Leben bereichern und beeinflussen. Wenn du dich heute schon mit diesem spannenden Themengebiet auseinandersetzen willst, bist du hier genau richtig.Dabei behandelt dieser Kurs nicht nur ein paar TensorFlow und Keras Zeilen, sondern wir werden gemeinsam viele Grundbausteine selber implementieren.Denn nur dann versteht man wirklich wie die Netzwerke intern funktionieren und erst dann kann man eigene Probleme verstehen und lösen.Dieser Kurs besteht aus folgenden Themengebieten:Grundlagen des Machine und Deep Learnings  Einführung in TensorFlow und Keras  Einführung in das Reinforcement Learning  Anwendung neuster Reinforcement Learning Techniken  Erstellung einer KI für Simulationen  Erstellung einer KI für Atari Videospiele  Werde noch heute ein Profi, in der Technologie von Morgen! Wir sehen uns im Kurs!

Overview

Section 1: Kapitel 1: Einleitung des Kurses

Lecture 1 Einleitung in den Kurs

Lecture 2 Informationen zu der Software

Lecture 3 Windows: MSVC Compiler Installieren

Lecture 4 Windows: Installation von Anaconda

Lecture 5 Linux: Installation von Anaconda

Lecture 6 Mac: Installation von Anaconda

Lecture 7 Handbuch des Kurses

Lecture 8 Materialien des Kurses

Lecture 9 Die Einrichtung des Environments

Lecture 10 TensorFlow installieren

Lecture 11 Optional: Einrichtung der GPU Software für TensorFlow

Lecture 12 Visual Studio Code einrichten

Lecture 13 Visual Studio Code verwenden

Section 2: Kapitel 2 : Python Zusatzwissen

Lecture 14 Vorwort

Lecture 15 Main Funktion

Lecture 16 Numpy und Matplotlib Einführung

Lecture 17 Slices und Weiteres zu Numpy

Lecture 18 f-Strings und Type Annotations

Section 3: Kapitel 3: Reinforcement Learning Grundlagen

Lecture 19 Reinforcement Learning – Begriffe

Lecture 20 Wir sind der Agent – Teil 1

Lecture 21 Code zum Agenten – Teil 1

Lecture 22 Markov Process (MP)

Lecture 23 Markov Reward Process (MRP)

Lecture 24 Wir sind der Agent – Teil 2

Lecture 25 Code zum Agenten – Teil 2

Lecture 26 Markov Decision Process (MDP)

Lecture 27 Berechnung des Discounted Rewards

Section 4: Kapitel 4: Einarbeitung in OpenAI – Gym

Lecture 28 Installation von OpenAI Gym

Lecture 29 Das erste Environment starten – Teil 1

Lecture 30 Action-Space und Observation-Space

Lecture 31 Der grobe Aufbau eines Gym Environments

Lecture 32 Das erste Environment starten – Teil 2

Lecture 33 Eine generische Agenten Klasse

Lecture 34 Der Random Agent im Einsatz

Lecture 35 Verschiedene Gym Spiele starten

Lecture 36 Ein Atari Spiel selber spielen

Section 5: Kapitel 5: Grundlagen des Deep Learnings

Lecture 37 Machine Learning – Grundlagen

Lecture 38 Supervised Learning – Grundlagen

Lecture 39 Supervised Learning Intuition

Lecture 40 Was sind Neuronale Netzwerke

Lecture 41 Neuronale Netzwerke Intuition

Lecture 42 Wie lernt das Neuronale Netzwerk

Lecture 43 Der MNIST Datensatz

Lecture 44 Der Aufbau des Deep Neural Networks

Lecture 45 Deep Neural Network – Programmieren

Lecture 46 Optimierung des Netzwerks

Section 6: Kapitel 6: Unsere erste KI

Lecture 47 Das Cross-Entropy Learning

Lecture 48 Der Aufbau des Agenten

Lecture 49 Das Neuronale Netzwerk

Lecture 50 Das Training – Teil 1

Lecture 51 Das Training – Teil 2

Lecture 52 Auswertung

Lecture 53 Das MountainCar Spiel – Auswerten

Section 7: Kapitel 7-1: Bellman Equation und Value Iteration

Lecture 54 Bellman Equation und Q-Values

Lecture 55 Value Iteration Algorithm – Intuition

Lecture 56 Das FrozenLake Spiel – Eigene Überlegungen

Lecture 57 Value Iteration Algorithm – Programmieren Teil 1

Lecture 58 Value Iteration Algorithm – Programmieren Teil 2

Lecture 59 Value Iteration Algorithm – Programmieren Teil 3

Lecture 60 Die Q-Values und die Policy des VIA Agenten

Lecture 61 Weiterführendes: Bellman Equation

Section 8: Kapitel 7-2: Policy Iteration Algorithm

Lecture 62 Policy Iteration Algorithm – Intuition

Lecture 63 Policy Iteration Algorithm – Programmieren Teil 1

Lecture 64 Policy Iteration Algorithm – Programmieren Teil 2

Section 9: Kapitel 8: Tabular Q-Learning

Lecture 65 Tabular Q-Learning – Intuition

Lecture 66 Tabular Q-Learning – Programmieren Teil 1

Lecture 67 Tabular Q-Learning – Programmieren Teil 2

Lecture 68 Die Q-Values und die Policy des Q-Tabluar Agenten

Section 10: Kapitel 9: Convolutional Neural Networks

Lecture 69 Convolutional Neural Networks

Lecture 70 Convolutional Neural Networks – Programmieren

Section 11: Kapitel 10: Deep Q-Networks

Lecture 71 Deep Q-Networks Intuition – Teil 1

Lecture 72 Deep Q-Networks Intuition – Teil 2

Lecture 73 Deep Q-Agent – Aufbau

Lecture 74 Deep Q-Network – Aufbau

Lecture 75 Deep Q-Agent – Training Teil 1

Lecture 76 Deep Q-Agent – Training Teil 2

Lecture 77 Deep Q-Agent – Auswertung

Lecture 78 DQN für das FrozenLake Spiel

Section 12: Kapitel 11: Deep Q-Networks (Atari)

Lecture 79 Der Plan für die Atari Spiele

Lecture 80 DQN Aufbau

Lecture 81 DQN Netzwerk

Lecture 82 DQN Wrapper

Lecture 83 DQN Agent

Lecture 84 Weiterführendes: DQN Netzwerke

Section 13: Kapitel 12: Actor-Critic Mehtod (A2C)

Lecture 85 Actor Critic Method – Intuition

Lecture 86 A2C – Aufbau

Lecture 87 A2C – Netzwerke

Lecture 88 A2C – Agent

Lecture 89 A2C – Auswertung

Lecture 90 Weiterführendes: A2C und A3C

Section 14: Kapitel 13: Abschluss des Kurses

Lecture 91 Abschluss des Kurses

Lecture 92 Bonuslektion

Studenten, Softwareentwickler und alle Interessierten

Course Information:

Udemy | Deutsch | 8h 52m | 3.27 GB
Created by: Jan Schaffranek

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top