Course Outline

Εισαγωγή

    Επίλυση προβλημάτων του πραγματικού κόσμου μέσω αλληλεπιδράσεων δοκιμής και λάθους

Κατανόηση των Προσαρμοστικών Συστημάτων Μάθησης και Artificial Intelligence (AI).

Πώς αντιλαμβάνονται οι πράκτορες το κράτος

Πώς να επιβραβεύσετε έναν πράκτορα

Μελέτη περίπτωσης: Αλληλεπίδραση με επισκέπτες ιστότοπου

Προετοιμασία του περιβάλλοντος για τον πράκτορα

Βαθιά κατάδυση σε Reinforcement Learning αλγόριθμους

Μέθοδοι βάσει αξίας έναντι μεθόδων βάσει πολιτικής

Επιλογή μοντέλου Reinforcement Learning

Χρησιμοποιώντας τον αλγόριθμο Q-Learning Model-Free Reinforcement Learning

Σχεδιάζοντας τον Πράκτορα

Μελέτη περίπτωσης: Έξυπνοι βοηθοί

Διασύνδεση του πράκτορα με ένα περιβάλλον παραγωγής

Μέτρηση των αποτελεσμάτων των ενεργειών του πράκτορα

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Μια γενική κατανόηση της ενισχυτικής μάθησης
  • Εμπειρία στη μηχανική μάθηση
  • Java εμπειρία προγραμματισμού

Ακροατήριο

  • Επιστήμονες δεδομένων
 21 Hours

Number of participants



Price per participant

Testimonials (4)

Related Courses

Enterprise Application Integrations with Spring Integration

14 Hours

Advanced Spring Boot

14 Hours

Related Categories