Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Entdecke die modernsten Techniken, die es Maschinen ermöglichen, zu lernen und mit ihrer Umgebung zu interagieren. Du wirst in die Welt des Deep Reinforcement Learning (DRL) eintauchen und praktische Erfahrungen mit den leistungsstärksten Algorithmen sammeln, die dieses Feld vorantreiben. Du wirst PyTorch und die Gymnasium-Umgebung nutzen, um deine eigenen Agenten zu bauen.
Beherrsche die Grundlagen des Deep Reinforcement Learning
Unsere Reise beginnt mit den Grundlagen von DRL und ihrer Beziehung zum traditionellen Reinforcement Learning. Von dort aus gehen wir schnell zur Implementierung von Deep Q-Networks (DQN) in PyTorch über, einschließlich fortgeschrittener Verfeinerungen wie Double DQN und Prioritized Experience Replay, um deine Modelle zu verbessern.Bringe deine Fähigkeiten auf die nächste Stufe, indem du politikbasierte Methoden erforschst. Du erlernst und implementierst wichtige politikorientierte Techniken wie die REINFORCE- und Actor-Critic-Methode.Modernste Algorithmen verwenden
Du wirst leistungsstarke DRL-Algorithmen kennenlernen, die heute in der Branche üblich sind, darunter die Proximal Policy Optimization (PPO). Du wirst praktische Erfahrungen mit den Techniken sammeln, die den Durchbruch in der Robotik, der Spiele-KI und darüber hinaus vorantreiben. Schließlich lernst du, wie du deine Modelle mithilfe von Optuna für die Abstimmung der Hyperparameter optimierst.Am Ende dieses Kurses wirst du in der Lage sein, diese hochmodernen Techniken auf reale Probleme anzuwenden und das volle Potenzial von DRL auszuschöpfen!Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Deep Reinforcement Learning
Entdecke, wie Deep Reinforcement Learning das traditionelle Reinforcement Learning verbessert, während du deinen ersten Deep Q Learning-Algorithmus studierst und implementierst.
- Einführung in Deep Reinforcement Learning50 XP
- Umgebung und Aufbau des neuronalen Netzes100 XP
- DRL Trainingsschleife100 XP
- Einführung in Deep Q Learning50 XP
- Deep Learning und DQN50 XP
- Die Architektur des Q-Netzes100 XP
- Instanziierung des Q-Netzes100 XP
- Der Barebone-Algorithmus DQN50 XP
- Barebone DQN Aktionsauswahl100 XP
- Barebone DQN Verlustfunktion100 XP
- Ausbildung des Barebone DQN100 XP
2
Deep Q-learning
Tauche ein in das Deep Q-learning, indem du den ursprünglichen DQN Algorithmus mit Experience Replay, Epsilon-Greediness und festen Q-Zielen implementierst. Über DQN hinaus wirst du zwei faszinierende Erweiterungen kennenlernen, die die Leistung und Stabilität von Deep Q-learning verbessern: Doppelte DQN und priorisierte Erfahrungswiederholung.
3
Einführung in politische Gradientenmethoden
Lerne die grundlegenden Konzepte der politischen Gradientenmethoden auf DRL kennen. Du beginnst mit dem politischen Gradiententheorem, das die Grundlage für diese Methoden bildet. Dann implementierst du den REINFORCE Algorithmus, einen leistungsstarken Ansatz zum Lernen von Richtlinien. Das Kapitel führt dich dann durch die Actor-Critic-Methoden und konzentriert sich dabei auf den Advantage Actor-Critic (A2C)-Algorithmus, der die Stärken der Policy-Gradienten- und der wertbasierten Methoden kombiniert, um die Lerneffizienz und die Stabilität zu verbessern.
4
Proximal Policy Optimization und DRL Tipps
Erforsche Proximal Policy Optimization (PPO) für eine robuste DRL Leistung. Als Nächstes wirst du die Verwendung eines Entropie-Bonus in PPO untersuchen, der die Erkundung fördert, indem er eine vorzeitige Konvergenz zu deterministischen Strategien verhindert. Du lernst auch etwas über Batch-Updates bei Policy-Gradienten-Methoden. Schließlich lernst du die Optimierung von Hyperparametern mit Optuna kennen, einem leistungsstarken Tool zur Optimierung der Leistung deiner DRL Modelle.
Deep Reinforcement Learning in Python
Kurs
abgeschlossen
