Forstærkningslæring (RL) er en kraftfuld gren af maskinlæring, der fokuserer på at træne intelligente agenter gennem interaktion med deres omgivelser. I dette kursus lærer du, hvordan agenter gradvist opdager effektive adfærdsmønstre gennem forsøg og fejl. Kurset starter med kernebegreber som Markov beslutningsprocesser og multi-armede banditter, og fortsætter med dynamisk programmering, Monte Carlo-metoder og temporaldifferenslæring.

Opdag, hvordan man træner agenter til at træffe optimale beslutninger gennem trial and error. Udforsk det grundlæggende i forstærkningslæringsteori. Få praktisk erfaring med opsætning og kørsel af et Gymnasium-miljø.

Behersk udfordringen med udforskning-udnyttelse gennem multi-armed bandit-problemet. Implementering af handlingsværdiestimering, ε-greedy, upper confidence bound og gradient-bandit metoder. Evaluering af algoritmers ydeevne på simulerede opgaver med belønningsmaksimering.

Behersk dynamisk programmering til modelbaseret RL. Opdag, hvordan Bellman-ligninger kan bruges til at evaluere og forbedre politikker. Implementering af politik- og værdiforløbsalgoritmer. Udforsk generaliseret politikforløb som det teoretiske grundlag for modelfrie metoder.

Behersk Monte Carlo-metoder til modellfri RL. Estimer værdifunktioner og udled optimale politikker fra komplette episoder. Implementer on-policy og off-policy Monte Carlo-kontrolalgoritmer. Udforsk strategier for udforskning til optimering af modellfri læring.

Behersk temporal difference-læring til model-fri RL. Estimer værdifunktioner ud fra delvise episoder ved hjælp af TD(0)-opdateringer. Implementer on-policy SARSA og off-policy Q-Learning algoritmer. Opdag hvordan Monte Carlo-metoder og TD-læring kombineres i n-step TD og TD(λ).

Udfordring: Monte Carlo-Metoder

Udfordring

Awesome!

Udfordring: Monte Carlo-Metoder

Udfordring