In diesem Projekt wurde ein Agent entwickelt, der mithilfe eines Deep Q-Learning-Ansatzes trainiert wird, um ein Snake Spiel effizient zu spielen und langfristig hohe Punktzahlen zu erzielen. ( In der Dokumentations PDF ist der Code das Vorgehen usw... alles erklärt sowie, dass ich viel getestet habe und am Ende dann bemerkt hab, dass man garnicht so ein komplexes Model braucht um die Schlange lernen zu lassen)
- Deutsch-/ Englisch Kentnisse
- Ein internetfähiger Linux/Mac/Windows basierter Computer
- Python & GitHub Kenntnisse
- Kenntnisse im Umgang mit der Shell Konsole
git clone https://github.com/BergmannJustin/Deep-Q-Learning_SnakeGame.gitMittels Jupyter Notebook Zelle nach Zelle ausführbar. Jupyter ist auch der aktuelle Stand.
Einführung in Reinforcement Learning:
- Lernziel: Vermittlung grundlegender RL-Konzepte wie Zustandsräume, Aktionen, Belohnungen und Q-Werte.
- Beispiel: Ein einfacher Agent wird darauf trainiert, durch Exploration (z. B. Epsilon-Greedy-Strategie) und Exploitation Punkte im Snake Game zu maximieren.
Optimierung der Belohnungsfunktion:
- Lernziel: Untersuchung, wie verschiedene Belohnungsfunktionen das Verhalten des Agenten beeinflussen.
Beispiel:
- Positive Belohnung für das Essen eines Apfels.
- Negative Belohnung für das Kollidieren mit Wänden oder dem eigenen Körper.
- Zusätzliche Belohnung für das Überleben über einen längeren Zeitraum.
Echtzeit-Steuerung und Regelung:
- Lernziel: Training eines RL-Agents für Echtzeitentscheidungen mit zeitlichen Beschränkungen.
- Beispiel: Entwicklung eines Snake-Agenten, der auf Echtzeit-Spielumgebungen optimiert ist, einschließlich schnellerer Reaktionszeiten und geringer Verzögerung.
- Justin Bergmann - Github: @BergmannJustin