Dieses Projekt verwendet **Q-Learning**, um einen Agenten zu trainieren, der sich in einem Dungeon bewegt und den schnellsten Weg zum Ziel findet.
Warum Dungeon Q-Learning?
Dieses Projekt bietet eine praxisnahe Einführung in das Reinforcement Learning. Es zeigt, wie ein Agent durch ein Belohnungssystem lernen kann, sich effizient durch ein Labyrinth zu bewegen. Durch den Einsatz von Q-Learning optimiert das Modell nach mehreren Durchläufen seine Strategie, um den kürzesten Weg zum Ziel zu finden.
Technische Herausforderungen & Lösungen
- Implementierung des Q-Learning-Algorithmus zur Entscheidungsfindung
- Exploration vs. Exploitation: Das Modell erkundet anfangs zufällig und bevorzugt später optimale Wege
- Anpassung des Belohnungssystems für effektives Lernen
- Nutzung von Gym-Umgebungen zur Simulation des Labyrinths
Tech-Stack
- Python (Algorithmus-Implementierung)
- Q-Learning (Reinforcement Learning)
- NumPy (Datenverarbeitung)
- Gym (Simulationsumgebung für RL)