Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
Kurs Açıklaması
Makinelerin öğrenmesini ve çevreleriyle etkileşime girmesini sağlayan en son teknolojileri keşfedin. Derin Pekiştirme Öğrenimi (DRL) dünyasına dalacak ve bu alanı ileriye taşıyan en güçlü algoritmalarla pratik deneyim kazanacaksınız. PyTorch ve Gymnasium ortamını kullanarak kendi ajanlarınızı oluşturacaksınız.
Derin Pekiştirme Öğreniminin Temellerini Öğrenin
Yolculuğumuz, DRL'nin temelleri ve bunların geleneksel Pekiştirme Öğrenimi ile olan ilişkisi ile başlıyor. Buradan, modellerinizi güçlendirmek için Double DQN ve Prioritized Experience Replay gibi gelişmiş iyileştirmeler de dahil olmak üzere Deep Q-Networks (DQN) uygulamasını PyTorch'ta hızla uygulamaya geçiyoruz.Politika tabanlı yöntemleri keşfederken becerilerinizi bir üst seviyeye taşıyın. REINFORCE ve Actor-Critic yöntemleri gibi temel politika gradyan tekniklerini öğrenecek ve uygulayacaksınız.En Son Teknoloji Algoritmalar Kullanın
Günümüzde sektörde yaygın olarak kullanılan, Proximal Policy Optimization (PPO) dahil olmak üzere güçlü DRL algoritmalarıyla karşılaşacaksınız. Robotik, oyun yapay zekası ve daha birçok alanda çığır açan tekniklerle pratik deneyim kazanacaksınız. Son olarak, hiperparametre ayarlaması için Optuna kullanarak modellerinizi optimize etmeyi öğreneceksiniz.Bu kursun sonunda, bu son teknoloji teknikleri gerçek dünyadaki sorunlara uygulamak ve DRL'nin tüm potansiyelini kullanmak için gerekli becerileri edinmiş olacaksınız!Ön Koşullar
Müfredat
Kurs planı
1
Deep Reinforcement Learning’e Giriş
Deep reinforcement learning’in, geleneksel Reinforcement Learning’e nasıl üstünlük sağladığını keşfet ve ilk Deep Q Learning algoritmanı inceleyip uygula.
- Derin pekiştirmeli öğrenmeye giriş50 XP
- Ortam ve sinir ağı kurulumu100 XP
- DRL eğitim döngüsü100 XP
- Deep Q öğrenmeye giriş50 XP
- Deep learning ve DQN50 XP
- Q-Ağı mimarisi100 XP
- Q-Ağını Örneklendirme100 XP
- Temel DQN algoritması50 XP
- Temel DQN eylem seçimi100 XP
- Temel DQN kayıp fonksiyonu100 XP
- Temel DQN'i eğitme100 XP
2
Deep Q-learning
Experience Replay, epsilon-greediness ve sabit Q-hedefleri içeren orijinal DQN algoritmasını uygulayarak Deep Q-learning’e dal. DQN’in ötesinde, Deep Q-learning’in performans ve kararlılığını artıran iki etkileyici genişletmeyi keşfedeceksin: Double DQN ve Prioritized Experience Replay.
3
Policy Gradient Yöntemlerine Giriş
DRL’de yer alan policy gradient yöntemlerinin temel kavramlarını öğren. Bu yöntemlerin temelini oluşturan policy gradient teoremi ile başlayacaksın. Ardından politikaları öğrenmede güçlü bir yaklaşım olan REINFORCE algoritmasını uygulayacaksın. Bölüm, policy gradient ve değer tabanlı yöntemlerin güçlü yönlerini birleştirerek öğrenme verimliliği ve kararlılığını artıran Advantage Actor-Critic (A2C) yöntemine odaklanan Actor-Critic yöntemleriyle devam edecek.
4
Proximal Policy Optimization ve DRL İpuçları
Sağlam DRL performansı için Proximal Policy Optimization (PPO)’ı keşfet. Sonraki adımda, belirleyici politikalara erken yakınsamayı önleyerek keşfi teşvik eden PPO’daki entropi bonusunu inceleyeceksin. Ayrıca policy gradient yöntemlerinde toplu (batch) güncellemeleri öğreneceksin. Son olarak, DRL modellerindeki performansı iyileştirmek için güçlü bir araç olan Optuna ile hiperparametre optimizasyonunu öğreneceksin.
Python ile Deep Reinforcement Learning
Kurs
Tamamlandı
