Förstärkningsinlärning i Python

Bemästra grunderna i förstärkningsinlärning (RL) och upptäck hur du bygger modeller för att navigera komplexa miljöer som ofta finns inom robotik och videospel.Om du är ny inom förstärkningsinlärning eller vill specialisera dig på förstärkningsinlärning som en gren av maskininlärning, är detta en idealisk plats att börja.Du börjar med att lära dig grundläggande koncept inom förstärkningsinlärning, som Markov-beslutsprocesser, avvägningar mellan utforskning och exploatering samt dynamiska programmeringsalgoritmer. Du kommer att lära dig att tillämpa Q-learning, SARSA och andra metoder för att navigera bergskedjor och frusna sjöar från Gymnasium-biblioteket.Du kommer att kombinera djupinlärning och förstärkningsinlärning och upptäcka djup förstärkningsinlärning, som kan användas för att träna agenter att navigera i mycket komplexa miljöer med lite övervakning.På vägen kommer du att tillämpa dessa tekniker för att ta itu med verkliga projekt, inklusive att optimera taxirutter och simulering av aktiehandel.Med dessa verktyg för förstärkningsinlärning till hands är du redo att börja ta dig an en spännande ny tillämpning av förstärkningsinlärning: förstärkningsinlärning från mänsklig feedback (RLHF). RLHF kan användas för att förbättra LLM-utdata genom att träna på mänsklig feedback till dess svar.Börja din resa inom förstärkningsinlärning idag!