Begleitet mich in das spannende Thema des Programmierens. Schwerpunkt Deep Learning in Python/Nodejs

Einer meiner Lieblingsalgorithmen, den ich während eines Reinforcement-Learning-Kurses gelernt habe, war das q-learning. Wahrscheinlich, weil er für mich am einfachsten zu verstehen und zu programmieren war, aber auch, weil er mir sinnvoll erschien. In diesem kurzen Beitrag werde ich q-learning besprechen und den grundlegenden Hintergrund zum Verständnis des Algorithmus vermitteln.

Reinforcement Learning ist das Trainieren von maschinellen Lernmodellen, um eine Folge von Entscheidungen zu treffen. Der Agent lernt, ein Ziel in einer unsicheren, potenziell komplexen Umgebung zu erreichen. Beim Reinforcement Learning steht eine künstliche Intelligenz vor einer spielähnlichen Situation. Der Computer setzt Versuch und Irrtum ein, um eine Lösung für das Problem zu finden. Um die Maschine dazu zu bringen, das zu tun, was der Programmierer will, erhält die künstliche Intelligenz entweder Belohnungen oder Bestrafungen für die Aktionen, die sie ausführt. Ihr Ziel ist es, die Gesamtbelohnung zu maximieren. Obwohl der Designer die Belohnungspolitik - also die Spielregeln - festlegt, gibt er dem Modell keine Hinweise oder Vorschläge, wie das Spiel zu lösen ist. Es liegt am Modell, herauszufinden, wie die Aufgabe zu lösen ist, um die Belohnung zu maximieren, beginnend mit völlig zufälligen Versuchen und endend mit ausgeklügelten Taktiken und übermenschlichen Fähigkei...

Was ist die Magie hinter Autoencodern? Mit Code-Beispiele!   In diesem Artikel möchte ich zwei Arten von Autoencodern erklären und eine Code-Implementierung in Python und Keras geben.

Warum sollten wir Autoencoder verwenden und was sind die Vorteile von Autoencodern . Wenn man sich andere Beschreibungen und Erklärungen anschaut, was Autoencoder sind, fängt man bald an, durcheinander zu kommen , warum Autoencoder so nützlich sind und warum sie versuchen, von den Eingabedaten zur Ausgabe mit minimalem Verlust zu reproduzieren.