After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Scopri il mondo dell'apprendimento per rinforzo
Imbarcati in un'entusiasmante esplorazione del Reinforcement Learning (RL), un ramo fondamentale del machine learning. Questo corso interattivo ti porta in un viaggio completo attraverso i principi fondamentali dell'apprendimento rinforzato, dove imparerai l'arte di addestrare agenti intelligenti, insegnando loro a prendere decisioni strategiche e massimizzare i risultati.Impara i concetti e gli strumenti essenziali
La tua avventura inizia con un tuffo negli aspetti unici di RL. Non solo imparerai i concetti base dell'apprendimento rinforzato, ma potrai anche usare gli algoritmi chiave dell'apprendimento rinforzato in situazioni reali con il famoso toolkit OpenAI Gym. Questo approccio pratico ti aiuta a capire bene le basi del RL.Esplora strategie e applicazioni avanzate
Man mano che il tuo viaggio va avanti, ti immergerai nel mondo delle strategie RL avanzate per scoprire le complessità dei metodi Monte Carlo, dell'apprendimento temporale differenziale e dell'apprendimento Q. Imparando queste tecniche in Python, diventerai bravo ad addestrare gli agenti per un sacco di compiti complicati.Trasforma il tuo apprendimento in un impatto concreto
Finito questo corso, avrai una comprensione profonda della teoria RL e le competenze per usarla in modo creativo nei contesti del mondo reale. Sarai pronto per creare modelli RL in Python, aprendo un mondo di possibilità nei tuoi progetti e nelle tue attività professionali.Prerequisiti
Curriculum
Programma del corso
1
Introduzione al Reinforcement Learning
Immergiti nel mondo del Reinforcement Learning (RL) esplorandone concetti, ruoli e applicazioni fondamentali. Muoviti all'interno del framework RL, scoprendo l'interazione agente-ambiente. Imparerai anche a usare la libreria Gymnasium per creare ambienti, visualizzare stati ed eseguire azioni, ottenendo così una base pratica nei concetti e nelle applicazioni dell'RL.
- Fondamenti del reinforcement learning50 XP
- Che cos'è il Reinforcement Learning?50 XP
- RL vs. altri sotto-domini di ML100 XP
- Scenari per applicare l'RL100 XP
- Orientarsi nel framework RL50 XP
- Ciclo di interazione RL100 XP
- Compiti di RL episodici e continui100 XP
- Calcolare i ritorni scontati per le strategie dell'agente100 XP
- Interagire con gli ambienti di Gymnasium50 XP
- Configurare un ambiente Mountain Car100 XP
- Visualizzare l'ambiente Mountain Car100 XP
- Interagire con l'ambiente Frozen Lake100 XP
2
Apprendimento basato su modello
Approfondisci il mondo dell'RL concentrandoti sull'apprendimento basato su modello. Svela le complessità dei Markov Decision Processes (MDP), comprendendone i componenti essenziali. Potenzia le tue competenze imparando policy e funzioni di valore. Acquisisci esperienza nell'ottimizzazione delle policy con le tecniche di policy iteration e value iteration.
3
Apprendimento senza modello
Intraprendi un viaggio nell'ambito dinamico dell'apprendimento senza modello nell'RL. Familiarizza con i metodi Monte Carlo di base e applica gli algoritmi di previsione Monte Carlo first-visit ed every-visit. Passa quindi al mondo del Temporal Difference Learning, esplorando l'algoritmo SARSA. Infine, immergiti nel Q-Learning e analizzane la convergenza in ambienti complessi.
4
Strategie avanzate nell'RL senza modello
Esplora strategie avanzate nell'RL senza modello, con l'obiettivo di migliorare gli algoritmi decisionali. Scopri Expected SARSA per aggiornamenti di policy più accurati e Double Q-learning per ridurre il bias di sovrastima. Approfondisci il compromesso esplorazione-sfruttamento, padroneggiando le strategie epsilon-greedy ed epsilon-decay per una selezione ottimale delle azioni. Affronta il problema del Multi-Armed Bandit, applicando strategie per risolvere sfide decisionali in condizioni di incertezza.
Reinforcement Learning con Gymnasium in Python
Corso
completato
