Vahvistusoppiminen (RL) on koneoppimisen tehokas osa-alue, joka keskittyy älykkäiden agenttien kouluttamiseen vuorovaikutuksessa ympäristönsä kanssa. Tällä kurssilla opit, kuinka agentit löytävät vähitellen tehokkaita toimintatapoja kokeilun ja erehdyksen kautta. Aloitat keskeisistä käsitteistä, kuten Markovin päätösprosesseista ja moniaseisista bändeistä, ja etenet dynaamiseen ohjelmointiin, Monte Carlo -menetelmiin ja aikaisen eron oppimiseen.

Opi, kuinka agentteja koulutetaan tekemään optimaalisia päätöksiä kokeilun ja erehdyksen kautta. Tutustu vahvistusoppimisen teorian perusteisiin. Saat käytännön kokemusta Gymnasium-ympäristön käyttöönotosta ja suorittamisesta.

Hallitse tutkimisen ja hyödyntämisen välinen tasapaino moniaseisen bandiittiongelman avulla. Toteuta toimenpidearvon estimointi, ε-ahne, yläluottamusraja ja gradienttibandiitti -menetelmät. Arvioi algoritmien suorituskykyä simuloiduissa palkkionmaksimointitehtävissä.

Dynaamisen ohjelmoinnin hallinta mallipohjaisessa RL:ssä. Bellman-yhtälöiden hyödyntäminen politiikkojen arvioinnissa ja parantamisessa. Politiikka- ja arvoiterointialgoritmien toteutus. Yleistetyn politiikkaiteroinnin tarkastelu mallittomien menetelmien teoreettisena perustana.

Monte Carlo -menetelmien hallinta mallittomassa RL:ssä. Arvofunktioiden estimointi ja optimaalisten politiikkojen johtaminen täydellisistä episodeista. On-policy- ja off-policy Monte Carlo -ohjausalgoritmien toteutus. Tutkimusstrategioihin perehtyminen mallittoman oppimisen optimointia varten.

Hallitse aikaisen eron oppiminen mallittomassa RL:ssä. Arvioi arvotoimintoja osittaisista episodeista TD(0)-päivitysten avulla. Toteuta on-policy SARSA- ja off-policy Q-Learning -algoritmit. Opi, miten Monte Carlo -menetelmät ja TD-oppiminen yhdistyvät n-askeleen TD:ssä ja TD(λ):ssa.

Haaste: Dynaaminen Ohjelmointi

Haaste

Awesome!

Haaste: Dynaaminen Ohjelmointi

Haaste