Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Ontdek de wereld van reinforcement learning
Ga op een spannende ontdekkingsreis door Reinforcement Learning (RL), een belangrijk onderdeel van machine learning. Deze interactieve cursus neemt je mee op een uitgebreide reis door de basisprincipes van RL, waar je de kunst van het trainen van slimme agents onder de knie krijgt en ze leert strategische beslissingen te nemen en beloningen te maximaliseren.Leer de belangrijkste concepten en tools
Je avontuur begint met een duik in de unieke dingen van RL. Je leert niet alleen de basisconcepten van RL, maar past ook belangrijke RL-algoritmen toe op praktische scenario's met behulp van de bekende OpenAI Gym-toolkit. Deze praktische aanpak zorgt ervoor dat je de basis van RL echt goed snapt.Maak kennis met geavanceerde strategieën en toepassingen
Naarmate je verder komt, ga je dieper in op geavanceerde RL-strategieën om de fijne kneepjes van Monte Carlo-methoden, Temporal Difference Learning en Q-Learning te ontdekken. Door deze technieken in Python onder de knie te krijgen, kun je agents trainen voor allerlei ingewikkelde taken.Zet je kennis om in echte impact
Aan het einde van deze cursus heb je een goed begrip van RL-theorie en kun je deze op een creatieve manier toepassen in de praktijk. Je bent klaar om RL-modellen te bouwen in Python, waardoor je een wereld aan mogelijkheden ontdekt voor je projecten en professionele activiteiten.Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot Reinforcement Learning
Duik in de boeiende wereld van Reinforcement Learning (RL) en verken de basisbegrippen, rollen en toepassingen. Navigeer door het RL-raamwerk en ontdek de interactie tussen agent en omgeving. Je leert ook hoe je de Gymnasium-bibliotheek gebruikt om omgevingen te maken, toestanden te visualiseren en acties uit te voeren, zodat je een praktische basis krijgt in RL-concepten en toepassingen.
- Basisprincipes van reinforcement learning50 XP
- Wat is Reinforcement Learning?50 XP
- RL vs. andere ML-subdomeinen100 XP
- Scenario's voor het toepassen van RL100 XP
- Navigeren door het RL-framework50 XP
- RL-interactielus100 XP
- Episodische en continue RL-taken100 XP
- Gedisconteerde returns berekenen voor agentstrategieën100 XP
- Interactie met Gymnasium-omgevingen50 XP
- Een Mountain Car-omgeving opzetten100 XP
- De Mountain Car-omgeving visualiseren100 XP
- Interactie met de Frozen Lake-omgeving100 XP
2
Modelgebaseerd leren
Verdiep je verder in RL met de focus op modelgebaseerd leren. Ontwar de complexiteit van Markov-beslissingsprocessen (MDP’s) en begrijp hun essentiële componenten. Breid je vaardigheden uit met kennis over policies en waarde-functies. Krijg expertise in policy-optimalisatie met policy-iteratie en value-iteratie technieken.
3
Modelvrij leren
Maak een reis door het dynamische domein van modelfrij leren in RL. Maak kennis met de basis van Monte Carlo-methoden en pas first-visit en every-visit Monte Carlo-voorspellingsalgoritmen toe. Stap over naar Temporal Difference Learning en verken het SARSA-algoritme. Duik tot slot in Q-learning en analyseer de convergentie in uitdagende omgevingen.
4
Geavanceerde strategieën in modelvrij RL
Duik in geavanceerde strategieën binnen modelfrij RL, met de focus op het verbeteren van besluitvormingsalgoritmen. Leer over Expected SARSA voor nauwkeurigere policy-updates en Double Q-learning om overschatting te verminderen. Verken de exploration-exploitation trade-off en beheers epsilon-greedy en epsilon-decay strategieën voor optimale actieselectie. Pak het multi-armed bandit-probleem aan en pas strategieën toe om beslissingen te nemen onder onzekerheid.
Reinforcement Learning met Gymnasium in Python
Cursus
voltooid
