After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Scopri le tecniche all'avanguardia che permettono alle macchine di imparare e interagire con quello che le circonda. Ti immergerai nel mondo del Deep Reinforcement Learning (DRL) e farai esperienza diretta con gli algoritmi più potenti che stanno facendo progredire questo campo. Userai PyTorch e l'ambiente Gymnasium per creare i tuoi agenti.
Impara le basi del deep reinforcement learning
Il nostro viaggio inizia con le basi del DRL e come si collega al tradizionale Reinforcement Learning. Da lì, passiamo subito a implementare le Deep Q-Networks (DQN) in PyTorch, con alcune cose avanzate come Double DQN e Prioritized Experience Replay per potenziare i tuoi modelli.Porta le tue abilità al livello successivo mentre scopri i metodi basati sulle politiche. Imparerai e metterai in pratica tecniche essenziali di policy gradient come REINFORCE e Actor-Critic.Usa algoritmi all'avanguardia
Troverai potenti algoritmi DRL che si usano spesso nel settore oggi, tipo Proximal Policy Optimization (PPO). Acquisirai esperienza pratica con le tecniche che stanno portando a grandi innovazioni nella robotica, nell'intelligenza artificiale dei videogiochi e in altri campi. Infine, imparerai a ottimizzare i tuoi modelli usando Optuna per la regolazione degli iperparametri.Alla fine di questo corso, avrai imparato come usare queste tecniche all'avanguardia per risolvere problemi reali e sfruttare al massimo il potenziale del DRL!Prerequisiti
Curriculum
Programma del corso
1
Introduzione al Deep Reinforcement Learning
Scopri come il deep reinforcement learning migliora il Reinforcement Learning tradizionale mentre studi e implementi il tuo primo algoritmo di Deep Q Learning.
- Introduzione al deep reinforcement learning50 XP
- Configurazione dell'ambiente e della rete neurale100 XP
- Ciclo di training DRL100 XP
- Introduzione al deep Q learning50 XP
- Deep learning e DQN50 XP
- L'architettura della Q-Network100 XP
- Istanziamento della Q-Network100 XP
- L'algoritmo DQN essenziale50 XP
- Selezione dell'azione con DQN essenziale100 XP
- Funzione di loss del DQN essenziale100 XP
- Addestrare il DQN essenziale100 XP
2
Deep Q-learning
Immergiti nel Deep Q-learning implementando l'algoritmo DQN originale, con Experience Replay, epsilon-greedy e Q-target fissi. Oltre al DQN, esplorerai poi due estensioni interessanti che migliorano le prestazioni e la stabilità del Deep Q-learning: Double DQN e Prioritized Experience Replay.
3
Introduzione ai metodi Policy Gradient
Apprendi i concetti fondamentali dei metodi policy gradient utilizzati nel DRL. Inizierai dal teorema del policy gradient, che è alla base di questi metodi. Poi implementerai l'algoritmo REINFORCE, un approccio potente per apprendere le policy. Il capitolo ti guiderà quindi nei metodi Actor-Critic, concentrandosi sull'algoritmo Advantage Actor-Critic (A2C), che unisce i punti di forza dei metodi basati su policy e di quelli basati su valore per migliorare efficienza e stabilità dell'apprendimento.
4
Proximal Policy Optimization e consigli per il DRL
Esplora Proximal Policy Optimization (PPO) per ottenere prestazioni robuste nel DRL. In seguito, analizzerai l'uso dell'entropy bonus in PPO, che incoraggia l'esplorazione prevenendo una convergenza prematura verso policy deterministic. Imparerai anche gli aggiornamenti in batch nei metodi policy gradient. Infine, scoprirai l'ottimizzazione degli iperparametri con Optuna, uno strumento potente per ottimizzare le prestazioni dei tuoi modelli di DRL.
Deep Reinforcement Learning in Python
Corso
completato
