Setelah mengikuti kursus-kursus ini, saya merasa percaya diri membuat visualisasi dan dasbor profesional
Shoebur RahmanSpesialis Pengadaan, Giz Bangladesh
Deskripsi Kursus
Temukan teknik-teknik terdepan yang memungkinkan mesin untuk belajar dan berinteraksi dengan lingkungannya. Anda akan menyelami dunia Deep Reinforcement Learning (DRL) dan mendapatkan pengalaman praktis dengan algoritma-algoritma paling canggih yang mendorong perkembangan bidang ini. Anda akan menggunakan PyTorch dan lingkungan Gymnasium untuk membangun agen Anda sendiri.
Menguasai Dasar-Dasar Pembelajaran Penguatan Mendalam
Perjalanan kami dimulai dengan dasar-dasar DRL dan hubungannya dengan Reinforcement Learning tradisional. Dari sana, kita segera beralih ke implementasi Deep Q-Networks (DQN) di PyTorch, termasuk penyempurnaan lanjutan seperti Double DQN dan Prioritized Experience Replay untuk meningkatkan kinerja model Anda.Tingkatkan keterampilan Anda ke level berikutnya saat Anda menjelajahi metode berbasis kebijakan. Anda akan mempelajari dan menerapkan teknik-teknik policy-gradient yang esensial, seperti REINFORCE dan metode Actor-Critic.Gunakan Algoritma Terkini
Anda akan menemui algoritma DRL yang kuat yang umum digunakan di industri saat ini, termasuk Proximal Policy Optimization (PPO). Anda akan memperoleh pengalaman praktis dalam menerapkan teknik-teknik yang mendorong terobosan di bidang robotika, kecerdasan buatan (AI) dalam permainan, dan bidang-bidang lainnya. Akhirnya, Anda akan belajar mengoptimalkan model Anda menggunakan Optuna untuk penyesuaian hiperparameter.Pada akhir kursus ini, Anda akan menguasai keterampilan untuk menerapkan teknik-teknik mutakhir ini pada masalah dunia nyata dan memanfaatkan potensi penuh DRL!Prasyarat
Kurikulum
Ringkasan kursus
1
Pengantar Deep Reinforcement Learning
Pelajari bagaimana deep reinforcement learning menyempurnakan Reinforcement Learning tradisional sekaligus mempelajari dan mengimplementasikan algoritma Deep Q Learning pertama Anda.
- Pengantar deep reinforcement learning50 XP
- Penyiapan environment dan neural network100 XP
- Loop pelatihan DRL100 XP
- Pengantar deep Q learning50 XP
- Deep learning dan DQN50 XP
- Arsitektur Q-Network100 XP
- Menginstansiasi Q-Network100 XP
- Algoritma DQN dasar50 XP
- Pemilihan aksi DQN dasar100 XP
- Fungsi loss DQN sederhana100 XP
- Melatih Barebone DQN100 XP
2
Deep Q-learning
Dalami Deep Q-learning dengan mengimplementasikan algoritma DQN asli, menampilkan Experience Replay, epsilon-greediness, dan fixed Q-targets. Melampaui DQN, Anda kemudian akan mengeksplorasi dua ekstensi menarik yang meningkatkan kinerja dan stabilitas Deep Q-learning: Double DQN dan Prioritized Experience Replay.
3
Pengantar Metode Policy Gradient
Pelajari konsep dasar metode policy gradient yang terdapat dalam DRL. Anda akan memulai dengan teorema policy gradient, yang menjadi dasar metode ini. Selanjutnya, Anda akan mengimplementasikan algoritma REINFORCE, sebuah pendekatan yang kuat untuk mempelajari kebijakan. Bab ini kemudian akan memandu Anda melalui metode Actor-Critic, berfokus pada algoritma Advantage Actor-Critic (A2C), yang menggabungkan kekuatan metode policy gradient dan berbasis nilai untuk meningkatkan efisiensi dan stabilitas pembelajaran.
4
Proximal Policy Optimization dan Tips DRL
Jelajahi Proximal Policy Optimization (PPO) untuk kinerja DRL yang tangguh. Selanjutnya, Anda akan mempelajari penggunaan entropy bonus dalam PPO, yang mendorong eksplorasi dengan mencegah konvergensi prematur ke kebijakan deterministik. Anda juga akan mempelajari pembaruan batch dalam metode policy gradient. Terakhir, Anda akan mempelajari pengoptimalan hiperparameter dengan Optuna, alat yang ampuh untuk mengoptimalkan kinerja pada model DRL Anda.
Deep Reinforcement Learning dengan Python
Kursus
Selesai
