Course Outline

Εισαγωγή στο Reinforcement Learning

  • Τι είναι η ενισχυτική μάθηση;
  • Βασικές έννοιες: πράκτορας, περιβάλλον, καταστάσεις, ενέργειες και ανταμοιβές
  • Προκλήσεις στην ενισχυτική μάθηση

Εξερεύνηση και Εκμετάλλευση

  • Εξισορρόπηση εξερεύνησης και εκμετάλλευσης σε μοντέλα RL
  • Στρατηγικές εξερεύνησης: epsilon-greedy, softmax και άλλα

Q-Learning και Deep Q-Networks (DQN)

  • Εισαγωγή στην Q-learning
  • Υλοποίηση DQN χρησιμοποιώντας TensorFlow
  • Βελτιστοποίηση Q-learning με επανάληψη εμπειρίας και δίκτυα στόχευσης

Μέθοδοι που βασίζονται σε πολιτικές

  • Αλγόριθμοι διαβάθμισης πολιτικής
  • Ο αλγόριθμος REINFORCE και η εφαρμογή του
  • Μέθοδοι κριτικών ηθοποιών

Εργασία με OpenAI Γυμναστήριο

  • Ρύθμιση περιβαλλόντων στο OpenAI Γυμναστήριο
  • Προσομοίωση πρακτόρων σε δυναμικά περιβάλλοντα
  • Αξιολόγηση της απόδοσης του πράκτορα

Προηγμένες Reinforcement Learning Τεχνικές

  • Ενισχυτική μάθηση πολλαπλών παραγόντων
  • Βαθιά ντετερμινιστική κλίση πολιτικής (DDPG)
  • Βελτιστοποίηση εγγύς πολιτικής (PPO)

Ανάπτυξη μοντέλων Reinforcement Learning

  • Πραγματικές εφαρμογές ενισχυτικής μάθησης
  • Ενσωμάτωση μοντέλων RL σε περιβάλλοντα παραγωγής

Περίληψη και Επόμενα Βήματα

Requirements

  • Εμπειρία στον προγραμματισμό Python
  • Βασική κατανόηση των εννοιών βαθιάς μάθησης και μηχανικής μάθησης
  • Γνώση αλγορίθμων και μαθηματικών εννοιών που χρησιμοποιούνται στην ενισχυτική μάθηση

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Επαγγελματίες μηχανικής μάθησης
  • Ερευνητές AI
 28 Hours

Number of participants


Price per participant

Testimonials (4)

Upcoming Courses

Related Categories