After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Відкрийте для себе світ навчання з підкріпленням
Почніть захопливе дослідження навчання з підкріпленням (RL), ключової галузі машинного навчання. Цей інтерактивний курс проведе вас через комплексну подорож основними принципами RL, де ви опануєте мистецтво навчання інтелектуальних агентів, навчаючи їх ухвалювати стратегічні рішення та максимізувати винагороди.Опануйте ключові концепції та інструменти
Ваша пригода починається з глибокого занурення в унікальні аспекти RL. Ви не лише опануєте базові концепції RL, а й застосуєте ключові алгоритми RL до практичних сценаріїв за допомогою відомого набору інструментів OpenAI Gym. Практичний підхід забезпечує ґрунтовне розуміння основ RL.Навігація через передові стратегії та застосування
У міру того, як розгортатиметься ваша подорож, ви зануритеся у світ передових стратегій RL, щоб відкрити для себе тонкощі методів Монте-Карло, навчання з часовою різницею та Q-Learning. Опанувавши ці техніки в Python, ви зможете ефективно навчати агентів для виконання різноманітних складних завдань.Перетворіть своє навчання на реальний вплив
Після завершення цього курсу ви отримаєте глибоке розуміння теорії RL і набудете навичок творчо застосовувати її в реальних умовах. Ви будете готові створювати RL-моделі в Python, відкриваючи для себе світ можливостей у ваших проєктах і професійній діяльності.Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до Reinforcement Learning
Пориньте у світ Reinforcement Learning (RL), дослідивши його базові поняття, ролі та застосування. Розберіть рамку RL і взаємодію агента із середовищем. Ви також навчитеся працювати з бібліотекою Gymnasium: створювати середовища, візуалізувати стани та виконувати дії — щоб отримати практичний фундамент у концепціях і застосуваннях RL.
- Основи навчання з підкріпленням50 XP
- Що таке Reinforcement Learning?50 XP
- RL проти інших підгалузей ML100 XP
- Сценарії для застосування RL100 XP
- Опанування каркасу RL50 XP
- Цикл взаємодії в RL100 XP
- Епізодичні та безперервні завдання в RL100 XP
- Обчислення дисконтових повернень для стратегій агента100 XP
- Взаємодія з оточеннями Gymnasium50 XP
- Налаштування середовища Mountain Car100 XP
- Візуалізація середовища Mountain Car100 XP
- Взаємодія із середовищем Frozen Lake100 XP
2
Навчання на основі моделі
Заглибтеся в RL з фокусом на навчанні на основі моделі. Розкрийте сутність марковських процесів прийняття рішень (MDP), зрозумівши їхні ключові компоненти. Розширте свої навички, вивчивши політики та функції цінності. Опануйте оптимізацію політики за допомогою policy iteration і value iteration.
3
Навчання без моделі
Пройдіть шлях крізь динамічний світ навчання без моделі в RL. Ознайомтеся з базовими методами Монте-Карло та застосуйте алгоритми прогнозування першого відвідування і кожного відвідування. Перейдіть до навчання з тимчасовою різницею, дослідивши алгоритм SARSA. Нарешті, зануртеся у Q-learning і проаналізуйте його збіжність у складних середовищах.
4
Просунуті стратегії у модель-вільному RL
Опановуйте просунуті стратегії у модель-вільному RL, зосереджені на підсиленні алгоритмів ухвалення рішень. Дізнайтеся про Expected SARSA для точніших оновлень політики та Double Q-learning для зменшення упередження через переоцінку. Розгляньте компроміс дослідження та використання, опанувавши стратегії epsilon-greedy та epsilon-decay для оптимального вибору дій. Візьміться за задачу одноруких бандитів, застосовуючи стратегії для розв'язання проблем ухвалення рішень в умовах невизначеності.
Reinforcement Learning з Gymnasium у Python
Курс
завершено
