Corso
Deep Reinforcement Learning in Python
AvanzatoLivello di competenza
Aggiornato 09/2024Inizia Il Corso Gratis
Incluso conPremium or Team
PyTorchArtificial Intelligence4 h15 video49 Esercizi4,050 XP5,089Attestato di conseguimento
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.Preferito dagli studenti di migliaia di aziende
Vuoi formare 2 o più persone?
Prova DataCamp for BusinessDescrizione del corso
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
Intermediate Deep Learning with PyTorchReinforcement Learning with Gymnasium in Python1
Introduction to Deep Reinforcement Learning
Discover how deep reinforcement learning improves upon traditional Reinforcement Learning while studying and implementing your first Deep Q Learning algorithm.
2
Deep Q-learning
Dive into Deep Q-learning by implementing the original DQN algorithm, featuring Experience Replay, epsilon-greediness and fixed Q-targets. Beyond DQN, you will then explore two fascinating extensions that improve the performance and stability of Deep Q-learning: Double DQN and Prioritized Experience Replay.
3
Introduction to Policy Gradient Methods
Learn about the foundational concepts of policy gradient methods found in DRL. You will begin with the policy gradient theorem, which forms the basis for these methods. Then, you will implement the REINFORCE algorithm, a powerful approach to learning policies. The chapter will then guide you through Actor-Critic methods, focusing on the Advantage Actor-Critic (A2C) algorithm, which combines the strengths of both policy gradient and value-based methods to enhance learning efficiency and stability.
4
Proximal Policy Optimization and DRL Tips
Explore Proximal Policy Optimization (PPO) for robust DRL performance. Next, you will examine using an entropy bonus in PPO, which encourages exploration by preventing premature convergence to deterministic policies. You'll also learn about batch updates in policy gradient methods. Finally, you will learn about hyperparameter optimization with Optuna, a powerful tool for optimizing performance in your DRL models.
Deep Reinforcement Learning in Python
Corso completato
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performance
Incluso conPremium or Team
Iscriviti OraUnisciti a oltre 19 milioni di studenti e inizia Deep Reinforcement Learning in Python oggi!
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.