Επικοινωνήστε μαζί μας
 Διάρκεια 21 Ώρες

Εξέλιξη Κομματιού

Εισαγωγή στη Μάθηση Ρομποτών

  • Επισκόπηση της μηχανικής μάθησης στη ρομποτική
  • Επετηδευτική έναντι ανεπηρέαστης έναντι ενισχυτικής μάθησης
  • Εφαρμογές της RL στον έλεγχο, την πλοήγηση και τη χειραφτήση

Βασικά της Ενισχυτικής Μάθησης

  • Διαδικασίες Μαρκώφ λήψης αποφάσεων (MDP)
  • Στρατηγική, συνάρτηση αξίας και συνάρτηση ανταμοιβής
  • Εναλλακτικές μεταξύ εξερεύνησης και εκμετάλλευσης

Κλασικοί Αλγόριθμοι RL

  • Q-learning και SARSA
  • Μέθοδοι Monte Carlo και διαφοράς χρονικών διαφορών
  • Διαδοχική αξία και διαδοχική στρατηγική

Τεχνικές Βαθιάς Ενισχυτικής Μάθησης

  • Συνδυασμός βαθιάς μάθησης με RL (Deep Q-Networks)
  • Μέθοδοι κλίσης στρατηγικής
  • Προχωρημένοι αλγόριθμοι: A3C, DDPG και PPO

Περιβάλλοντα Προσομοίωσης για Μάθηση Ρομποτών

  • Χρήση OpenAI Gym και ROS 2 για προσομοίωση
  • Δημιουργία προσαρμοσμένων περιβαλλόντων για ρομποτικές εργασίες
  • Αξιολόγηση απόδοσης και σταθερότητας εκπαίδευσης

Εφαρμογή RL στη Ρομποτική

  • Μάθηση πολιτικών ελέγχου και κίνησης
  • Ενισχυτική μάθηση για ρομποτική χειραφτήση
  • Πολυπράκτορη ενισχυτική μάθηση στη ρομποτική ούλων

Βελτιστοποίηση, Ανάπτυξη και Ενσωμάτωση στον Πραγματικό Κόσμο

  • Διόρθωση υπερπαραμέτρων και διαμόρφωση ανταμοιβής
  • Μεταφορά μαθησιακών πολιτικών από προσομοίωση σε πραγματικότητα (Sim2Real)
  • Ανάπτυξη εκπαιδευμένων μοντέλων σε ρομποτικό υλικό

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Κατανόηση των εννοιών της μηχανικής μάθησης
  • Εμπειρία στη προγραμματιστική γλώσσα Python
  • Οικειότητα με τη ρομποτική και τα συστήματα ελέγχου

Κοινό-Στόχος

  • Μηχανικοί μηχανικής μάθησης
  • Ερευνητές ρομποτικής
  • Developers που αναπτύσσουν έξυπνα ρομποτικά συστήματα

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες