Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lære Utfordring: Temporær Differanse-Læring | Temporal Difference-læring
Introduksjon til Forsterkende Læring
course content

Kursinnhold

Introduksjon til Forsterkende Læring

Introduksjon til Forsterkende Læring

1. Kjerneprinsipper i RL
Hva er RL?RL Kontra Andre LæringsparadigmerMarkov BeslutningsprosessEpisoder og AvkastningModell, policy og verdierUtforskning vs UtnyttelseGrunnleggende om GymnasiumUtfordring: Oppsett av et Miljø
2. Multi-Armet Bandittproblem
ProbleminnledningAksjonsverdierEpsilon-grådig AlgoritmeAlgoritme for Øvre KonfidensgrenseGradientbandittalgoritmeUtfordring: Multi-Armede Banditter
3. Dynamisk Programmering
Hva er dynamisk programmering?Bellman-ligningerOptimalitetsbetingelserPolicyvurderingPolicyforbedringGeneralisert PolicyiterasjonPolicyiterasjonVerdiiterasjonUtfordring: Dynamisk Programmering
4. Monte Carlo-metoder
Hva er Monte Carlo-metoder?Estimering av VerdifunksjonMonte Carlo-KontrollUtforskningsmetoderOn-Policy Monte Carlo-KontrollOff-Policy Monte Carlo-KontrollInkrementelle ImplementasjonerUtfordring: Monte Carlo-metoder
5. Temporal Difference-læring
Hva er temporær differanse-læring?TD(0): VerdifunksjonsestimeringSARSA: On-Policy TD-LæringQ-læring: Off-Policy TD-LæringGeneralisering av TD-læringUtfordring: Temporær Differanse-Læring

book
Utfordring: Temporær Differanse-Læring

Utfordring

question-icon

Skriv inn delene av nøkkelen

1.
2.
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 5. Kapittel 6

Spør AI

expand

Spør AI

ChatGPT

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

course content

Kursinnhold

Introduksjon til Forsterkende Læring

Introduksjon til Forsterkende Læring

1. Kjerneprinsipper i RL
Hva er RL?RL Kontra Andre LæringsparadigmerMarkov BeslutningsprosessEpisoder og AvkastningModell, policy og verdierUtforskning vs UtnyttelseGrunnleggende om GymnasiumUtfordring: Oppsett av et Miljø
2. Multi-Armet Bandittproblem
ProbleminnledningAksjonsverdierEpsilon-grådig AlgoritmeAlgoritme for Øvre KonfidensgrenseGradientbandittalgoritmeUtfordring: Multi-Armede Banditter
3. Dynamisk Programmering
Hva er dynamisk programmering?Bellman-ligningerOptimalitetsbetingelserPolicyvurderingPolicyforbedringGeneralisert PolicyiterasjonPolicyiterasjonVerdiiterasjonUtfordring: Dynamisk Programmering
4. Monte Carlo-metoder
Hva er Monte Carlo-metoder?Estimering av VerdifunksjonMonte Carlo-KontrollUtforskningsmetoderOn-Policy Monte Carlo-KontrollOff-Policy Monte Carlo-KontrollInkrementelle ImplementasjonerUtfordring: Monte Carlo-metoder
5. Temporal Difference-læring
Hva er temporær differanse-læring?TD(0): VerdifunksjonsestimeringSARSA: On-Policy TD-LæringQ-læring: Off-Policy TD-LæringGeneralisering av TD-læringUtfordring: Temporær Differanse-Læring

book
Utfordring: Temporær Differanse-Læring

Utfordring

question-icon

Skriv inn delene av nøkkelen

1.
2.
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 5. Kapittel 6
some-alt