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
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