After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Temukan Dunia Reinforcement Learning
Mulailah penjelajahan seru tentang Reinforcement Learning (RL), salah satu cabang penting dari machine learning. Kursus interaktif ini membawa Anda dalam perjalanan komprehensif melalui prinsip-prinsip inti RL di mana Anda akan menguasai seni melatih agen cerdas, mengajarkan mereka untuk mengambil keputusan strategis dan memaksimalkan hadiah.Kuasai Konsep dan Alat Penting
Petualangan Anda dimulai dengan menyelami secara mendalam aspek-aspek unik RL. Anda tidak hanya akan mempelajari konsep dasar RL, tetapi juga menerapkan algoritma RL utama pada skenario praktis menggunakan toolkit OpenAI Gym yang terkenal. Pendekatan praktis ini memastikan pemahaman mendalam tentang dasar-dasar RL.Jelajahi Strategi dan Aplikasi Lanjutan
Seiring perjalanan Anda berlanjut, Anda akan memasuki ranah strategi RL lanjutan untuk menemukan seluk-beluk metode Monte Carlo, Pembelajaran Perbedaan Waktu, dan Q-Learning. Dengan menguasai teknik-teknik ini di Python, Anda akan mahir melatih agen untuk berbagai tugas yang kompleks.Ubah Pembelajaran Anda Menjadi Dampak Nyata di Dunia
Dengan menyelesaikan kursus ini, Anda akan memiliki pemahaman mendalam tentang teori RL, serta keterampilan untuk menerapkannya secara kreatif dalam konteks dunia nyata. Anda akan siap membangun model RL di Python, membuka dunia kemungkinan dalam proyek dan upaya profesional Anda.Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar Reinforcement Learning
Telusuri dunia menarik Reinforcement Learning (RL) dengan mempelajari konsep, peran, dan penerapannya yang mendasar. Jelajahi kerangka RL, menyingkap interaksi agen-lingkungan. Anda juga akan belajar menggunakan pustaka Gymnasium untuk membuat lingkungan, memvisualisasikan keadaan, dan melakukan aksi, sehingga memperoleh dasar praktis dalam konsep dan aplikasi RL.
- Dasar-dasar reinforcement learning50 XP
- Apa itu Reinforcement Learning?50 XP
- RL vs. sub-domain ML lainnya100 XP
- Skenario penerapan RL100 XP
- Menavigasi kerangka kerja RL50 XP
- Loop interaksi RL100 XP
- Tugas RL episodik dan kontinu100 XP
- Menghitung discounted returns untuk strategi agen100 XP
- Berinteraksi dengan lingkungan Gymnasium50 XP
- Menyiapkan lingkungan Mountain Car100 XP
- Memvisualisasikan Lingkungan Mountain Car100 XP
- Berinteraksi dengan environment Frozen Lake100 XP
2
Pembelajaran Berbasis Model
Dalami lebih jauh dunia RL dengan berfokus pada pembelajaran berbasis model. Uraikan kompleksitas Markov Decision Processes (MDP) dengan memahami komponen-komponen esensialnya. Tingkatkan keterampilan Anda dengan mempelajari kebijakan (policy) dan fungsi nilai. Kuasai optimisasi kebijakan melalui teknik policy iteration dan value iteration.
3
Pembelajaran Tanpa Model
Jelajahi ranah dinamis Pembelajaran Tanpa Model (Model-Free Learning) dalam RL. Kenali metode dasar Monte Carlo, dan terapkan algoritma prediksi Monte Carlo kunjungan pertama (first-visit) dan setiap kunjungan (every-visit). Lanjutkan ke dunia Temporal Difference Learning dengan mengeksplorasi algoritma SARSA. Terakhir, selami Q-Learning, dan analisis konvergensinya pada lingkungan yang menantang.
4
Strategi Lanjutan dalam Model-Free RL
Dalami strategi lanjutan dalam Model-Free RL, berfokus pada peningkatan algoritma pengambilan keputusan. Pelajari Expected SARSA untuk pembaruan kebijakan yang lebih akurat dan Double Q-learning untuk mengurangi bias estimasi berlebih. Jelajahi Trade-off Eksplorasi-Eksploitasi, kuasai strategi epsilon-greedy dan epsilon-decay untuk pemilihan aksi yang optimal. Tangani Masalah Multi-Armed Bandit dengan menerapkan strategi untuk menyelesaikan tantangan pengambilan keputusan dalam ketidakpastian.
Reinforcement Learning dengan Gymnasium di Python
Kursus
Selesai
