Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Innføring i Reinforcement Learning
- Overblikk over reinforcement learning og dennes anvendelser
- Skjell mellom overvåket, ikke-overvåket og reinforcement learning
- Nøkkelelementer: agent, miljø, belønninger og strategi
Markov Decision Processes (MDPs)
- Å forstå tilstander, handlinger, belønninger og tilstandsoverganger
- Verdifunksjoner og Bellman-likningen
- Dynamisk programmering for løsning av MDPs
Kjerne RL-algoritmer
- Tabellmetoder: Q-Learning og SARSA
- Strategibaserte metoder: REINFORCE-algoritmen
- Actor-Critic-rammeverk og deres anvendelser
Deep Reinforcement Learning
- Innføring til Deep Q-Networks (DQN)
- Opplevelsesreplay og målnettverk
- Strategigradienter og avanserte dybde-RL-metoder
RL-rammeverk og verktøy
- Innføring til OpenAI Gym og andre RL-miljøer
- Bruk av PyTorch eller TensorFlow for RL-modellutvikling
- Trening, testing og referanseverdi-måling av RL-agenter
Utfordringer i RL
- Balanse mellom utforskning og utnyttelse i treningen
- Å håndtere sparsomme belønninger og kreditttilordningsproblemer
- Skalerbarhet og beregningsmessige utfordringer i RL
Praktiske øvelser
- Implementering av Q-Learning- og SARSA-algoritmer fra bunnen av
- Trening av en DQN-basert agent for å spille et enkelt spill i OpenAI Gym
- Finjustering av RL-modeller for forbedret ytelse i skreddersydde miljøer
Oppsummering og neste steg
Krav
- God forståelse av maskinlæringsprinsipper og -algoritmer
- Kunnskap i Python-programmering
- Kjennskap til nøyrale nettverk og dybrelæringsrammeverk
Målgruppe
- Maskinglæringsteknikere
- AI-spesialister
14 Timer
