After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Upptäck världen av förstärkningsinlärning
Ge dig ut på en spännande utforskning av Reinforcement Learning (RL), en central gren inom maskininlärning. Denna interaktiva kurs tar dig med på en omfattande resa genom RL:s kärnprinciper, där du lär dig konsten att träna intelligenta agenter, lära dem att fatta strategiska beslut och maximera belöningar.Bemästra viktiga begrepp och verktyg
Din resa börjar med en djupdykning i RL:s unika aspekter. Du kommer inte bara att lära dig grundläggande RL-koncept utan också tillämpa viktiga RL-algoritmer på praktiska scenarier med hjälp av det välkända verktygspaketet OpenAI Gym. Detta praktiska arbetssätt säkerställer en grundlig förståelse av RL:s grunder.Navigera genom avancerade strategier och tillämpningar
När din resa utvecklas kommer du att utforska avancerade RL-strategier för att upptäcka detaljerna i Monte Carlo-metoder, Temporal Difference Learning och Q-Learning. Genom att bemästra dessa tekniker i Python kommer du att bli skicklig på att träna agenter för en mängd komplexa uppgifter.Förvandla ditt lärande till verklig påverkan
När du avslutar den här kursen kommer du att ha en djup förståelse för RL-teori och vara utrustad med de färdigheter som krävs för att tillämpa den kreativt i verkliga sammanhang. Du kommer att vara redo att bygga RL-modeller i Python, vilket öppnar upp en värld av möjligheter i dina projekt och professionella satsningar.Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till förstärkningsinlärning
Utforska förstärkningsinlärningens (RL) grundläggande koncept, roller och tillämpningar. Lär dig hur RL-ramverket fungerar och hur agenter och miljöer samverkar. Du får också lära dig att använda Gymnasium-biblioteket för att skapa miljöer, visualisera tillstånd och utföra åtgärder – och bygger på så sätt en praktisk grund inom RL.
- Grunderna i förstärkningsinlärning50 XP
- Vad är förstärkningsinlärning?50 XP
- RL jämfört med andra ML-delområden100 XP
- Scenarier för att tillämpa RL100 XP
- Navigating the RL framework50 XP
- RL-interaktionsloop100 XP
- Episodiska och kontinuerliga RL-uppgifter100 XP
- Beräkna diskonterade avkastningar för agentstrategier100 XP
- Interagera med Gymnasium-miljöer50 XP
- Konfigurera en Mountain Car-miljö100 XP
- Visualisering av Mountain Car-miljön100 XP
- Interagera med Frozen Lake-miljön100 XP
2
Modellbaserad inlärning
Fördjupa dig i RL med fokus på modellbaserad inlärning. Utforska Markovska beslutsprocesser (MDP) och förstå deras centrala komponenter. Bygg vidare på dina kunskaper om policyer och värdefunktioner. Lär dig att optimera policyer med hjälp av policyiteration och värdeiteration.
3
Modellfri inlärning
Utforska den dynamiska världen av modellfri inlärning inom RL. Bekanta dig med Monte Carlo-metoder och tillämpa algoritmer för Monte Carlo-prediktion baserade på första och varje besök. Gå sedan vidare till temporal differensinlärning och SARSA-algoritmen. Slutligen dyker du ner i Q-inlärning och analyserar dess konvergens i krävande miljöer.
4
Avancerade strategier inom modellfri RL
Fördjupa dig i avancerade strategier inom modellfri RL med fokus på att förbättra beslutsalgoritmer. Lär dig om Expected SARSA för mer träffsäkra policyuppdateringar och Double Q-inlärning för att minska överskattningsbias. Utforska avvägningen mellan utforskning och utnyttjande, och bemästra epsilon-giriga och epsilon-avklingande strategier för optimal aktionsval. Arbeta med det flerbenta banditproblemet och tillämpa strategier för beslutsfattande under osäkerhet.
Reinforcement Learning med Gymnasium i Python
Kurs
slutförd
