Udfordring: Multi-Armede Banditter

Fra dette punkt vil du modtage kodningsudfordringer i Jupyter Notebook-format. Hvis du ved, hvordan du korrekt opsætter miljøet til sådanne notebooks, er du velkommen til at gøre det. Vi anbefaler dog at bruge Google Colab, da det tilbyder mange fordele i forhold til almindelige Jupyter-notebooks. Læs denne artikel for at lære, hvordan Colab fungerer.

Bemærk

Verificering af korrektheden af din løsning kan være udfordrende, og fejl kan forekomme. Hvis du er sikker på, at din løsning er korrekt, men den markeres som forkert, bør du gennemgå den anbefalede løsning grundigt. Hvis du stadig ikke kan finde nogen fejl, kan du prøve at implementere den anbefalede løsning i en separat celle og køre den.

Sådan åbnes notebooken og opgaverne løses?

For at åbne notebooken og fuldføre opgaverne, skal du følge disse trin:

Download notebooken: du kan finde download-knappen nederst på denne side;
Åbn Google Colab: åbn hjemmesiden og log ind med din Google-konto;
Åbn notebooken: brug File > Upload notebook eller File > Open notebook > Upload og vælg den fil, du har downloadet. Hvis du ønsker at fortsætte med dine opgaver efter en pause, brug File > Open notebook > Recent og find din notebook i det vindue;
Følg instruktionerne: notebooken vil indeholde detaljerede instruktioner til opgaverne. Du bør læse dem, før du fortsætter til opgaverne;
Modtag nøglen: efter at have løst hver opgave, vil du modtage en del af nøglen, som er nødvendig for at fuldføre kapitlet. Indtast disse dele i quizzen nederst på siden, når du har afsluttet udfordringen, for at bekræfte, at du har gennemført alle opgaver.

Udfordring

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 6

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Kursusindhold

Introduktion til Reinforcement Learning

1. RL Kerneprincipper

Hvad er RL?RL vs Andre Læringsparadigmer Markov Beslutningsproces Episoder og Afkast Model, Politik og Værdier Udforskning vs Udnyttelse Gymnasium Grundlæggende Udfordring: Opsætning af et Miljø

2. Multi-Armet Bandit-Problem

Problemintroduktion Aktionsværdier Epsilon-Grådig Algoritme Algoritme for Øvre Konfidensgrænse Gradient Bandit-Algoritme Udfordring: Multi-Armede Banditter

3. Dynamisk Programmering

4. Monte Carlo-metoder

5. Temporal Difference-Læring

Hvad Er Temporal Difference-Læring?TD(0): Værdifunktionsestimering SARSA: On-Policy TD-Læring Q-Learning: Off-Policy TD-Læring Generalisering af TD-Læring Udfordring: Temporal Difference Læring