Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Εισαγωγή στην Ενισχυτική Μάθηση

  • Επισκόπηση της ενισχυτικής μάθησης και των εφαρμογών της
  • Διαφορές μεταξύ επιβλεπόμενης, μη επιβλεπόμενης και ενισχυτικής μάθησης
  • Βασικές έννοιες: πράκτορας, περιβάλλον, ανταμοιβές και πολιτική

Διαδικασίες Απόφασης Markov (MDPs)

  • Κατανόηση καταστάσεων, ενεργειών, ανταμοιβών και μεταβάσεων καταστάσεων
  • Συναρτήσεις αξίας και η Εξίσωση Bellman
  • Δυναμικός προγραμματισμός για την επίλυση MDPs

Βασικοί Αλγόριθμοι RL

  • Μέθοδοι πίνακα: Q-Learning και SARSA
  • Μέθοδοι βασισμένες στην πολιτική: αλγόριθμος REINFORCE
  • Πλαίσια Actor-Critic και οι εφαρμογές τους

Βαθιά Ενισχυτική Μάθηση

  • Εισαγωγή στα Deep Q-Networks (DQN)
  • Επανάληψη εμπειρίας και δίκτυα-στόχοι
  • Κλίσεις πολιτικής και προηγμένες μέθοδοι βαθιάς RL

Πλαίσια και Εργαλεία RL

  • Εισαγωγή στο OpenAI Gym και άλλα περιβάλλοντα RL
  • Χρήση PyTorch ή TensorFlow για ανάπτυξη μοντέλων RL
  • Εκπαίδευση, δοκιμή και συγκριτική αξιολόγηση πρακτόρων RL

Προκλήσεις στην RL

  • Ισορροπία μεταξύ εξερεύνησης και εκμετάλλευσης στην εκπαίδευση
  • Αντιμετώπιση αραιών ανταμοιβών και προβλημάτων ανάθεσης πίστωσης
  • Κλιμάκωση και υπολογιστικές προκλήσεις στην RL

Πρακτικές Δραστηριότητες

  • Υλοποίηση αλγορίθμων Q-Learning και SARSA από την αρχή
  • Εκπαίδευση ενός πράκτορα βασισμένου σε DQN για να παίξει ένα απλό παιχνίδι στο OpenAI Gym
  • Λεπτομερής ρύθμιση μοντέλων RL για βελτιωμένη απόδοση σε προσαρμοσμένα περιβάλλοντα

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Βαθιά κατανόηση των αρχών και αλγορίθμων μηχανικής μάθησης
  • Άριστη γνώση προγραμματισμού Python
  • Εξοικείωση με τα νευρωνικά δίκτυα και τα πλαίσια βαθιάς μάθησης

Κοινό

  • Μηχανικοί μηχανικής μάθησης
  • Ειδικοί Τεχνητής Νοημοσύνης
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Εφεξής Μαθήματα

Σχετικές Κατηγορίες