Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Inledning till förstärkande inlärning
- Översikt över förstärkande inlärning och dess tillämpningar
- Skillnader mellan övervakat, icke-övervakat och förstärkande inlärning
- Grundläggande begrepp: agent, miljö, belöningar och politik
Markovska beslutsprocesser (MDPs)
- Förståelse av tillstånd, åtgärder, belöningar och tillståndsövergångar
- Värdefunktioner och Bellmanekvationen
- Dynamisk programmering för att lösa MDPs
Kärnalgorithmerna för RL
- Tabulära metoder: Q-Learning och SARSA
- Politikbaserade metoder: REINFORCE-algoritmen
- Actor-Critic-ramverk och deras tillämpningar
Deep Reinforcement Learning
- Introduktion till Deep Q-Networks (DQN)
- Erfarenhetsreplay och målnätverk
- Politikkurvor och avancerade metoder för deep RL
RL-ramverk och verktyg
- Introduktion till OpenAI Gym och andra RL-miljöer
- Användning av PyTorch eller TensorFlow för utveckling av RL-modeller
- Träning, testning och benchmarkning av RL-agenter
Utmaningar inom RL
- Balansera utforskning och utnyttjande under träning
- Hantera sparsamma belöningar och kreditattribueringsproblem
- Skalbarhet och beräkningsmässiga utmaningar inom RL
Hands-on-aktiviteter
- Implementering av Q-Learning- och SARSA-algoritmer från grunden
- Träning av en DQN-baserad agent att spela ett enkelt spel i OpenAI Gym
- Finjustering av RL-modeller för förbättrad prestanda i anpassade miljöer
Sammanfattning och nästa steg
Krav
- Starka kunskaper i machine learning-principer och algoritmer
- Behärskning av Python-programmering
- Kännedom om neurala nätverk och deep learning-ramverk
Målgrupp
- Machine learning-ingenjörer
- AI-specialister
14 Timmar
