După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Descoperă tehnicile de ultimă generație care le permit mașinilor să învețe și să interacționeze cu mediul lor. Vei pătrunde în lumea Deep Reinforcement Learning (DRL) și vei dobândi experiență practică cu cele mai puternice algoritmi care impulsionează domeniul înainte. Vei folosi PyTorch și mediul Gymnasium pentru a-ți construi propriii agenți.
Stăpânește fundamentele învățării prin întărire profundă
Călătoria noastră începe cu fundamentele DRL și relația lor cu Reinforcement Learning-ul tradițional. De acolo, trecem rapid la implementarea rețelelor Deep Q-Networks (DQN) în PyTorch, inclusiv rafinări avansate precum Double DQN și Prioritized Experience Replay, pentru a-ți suprata modelul.Du-ți abilitățile la nivelul următor în timp ce explorezi metode bazate pe politici. Vei învăța și vei implementa tehnici esențiale de policy-gradient, precum metodele REINFORCE și Actor-Critic.Folosește algoritmi de ultimă generație
Vei întâlni algoritmi DRL puternici, folosiți frecvent în industrie astăzi, inclusiv Proximal Policy Optimization (PPO). Vei dobândi experiență practică cu tehnicile care stau la baza progreselor în robotică, AI pentru jocuri și nu numai. În cele din urmă, vei învăța să îți optimizezi modelele folosind Optuna pentru ajustarea hiperparametrilor.La finalul acestui curs, vei fi dobândit abilitățile necesare pentru a aplica aceste tehnici de ultimă generație la probleme din lumea reală și pentru a valorifica pe deplin potențialul DRL!Cerințe prealabile
Programă
Planul cursului
1
Introducere în Deep Reinforcement Learning
Descoperă cum Deep Reinforcement Learning îmbunătățește Reinforcement Learning clasic, studiind și implementând primul tău algoritm Deep Q-Learning.
- Introducere în învățarea profundă prin recompensă50 XP
- Configurarea mediului și a rețelei neuronale100 XP
- Bucla de antrenament DRL100 XP
- Introducere în Deep Q Learning50 XP
- Învățare profundă și DQN50 XP
- Arhitectura rețelei Q100 XP
- Instanțierea rețelei Q100 XP
- Algoritmul DQN de bază50 XP
- Selectarea acțiunii în DQN de bază100 XP
- Funcția de pierdere pentru DQN de bază100 XP
- Antrenarea DQN de bază100 XP
2
Deep Q-learning
Aprofundează Deep Q-learning implementând algoritmul DQN original, cu Experience Replay, strategia epsilon-greedy și Q-target-uri fixe. Dincolo de DQN, vei explora două extensii importante care îmbunătățesc performanța și stabilitatea Deep Q-learning-ului: Double DQN și Prioritized Experience Replay.
3
Introducere în metodele Policy Gradient
Învață conceptele fundamentale ale metodelor policy gradient din DRL. Vei începe cu teorema policy gradient, care stă la baza acestor metode. Apoi vei implementa algoritmul REINFORCE, o abordare eficientă pentru învățarea politicilor. Capitolul te va ghida prin metodele Actor-Critic, cu accent pe algoritmul Advantage Actor-Critic (A2C), care combină punctele forte ale metodelor policy gradient și ale celor bazate pe valori, pentru a îmbunătăți eficiența și stabilitatea învățării.
4
Proximal Policy Optimization și sfaturi DRL
Explorează Proximal Policy Optimization (PPO) pentru performanță robustă în DRL. Vei analiza utilizarea unui bonus de entropie în PPO, care încurajează explorarea și previne convergența prematură către politici deterministe. Vei învăța, de asemenea, despre actualizările pe loturi în metodele policy gradient. În final, vei descoperi optimizarea hiperparametrilor cu Optuna, un instrument puternic pentru maximizarea performanței modelelor DRL.
Deep Reinforcement Learning în Python
Curs
finalizat
