Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do uczenia z wzmocnieniem
- Przegląd uczenia z wzmocnieniem i jego zastosowań
- Różnice między uczeniem nadzorowanym, nienadzorowanym a uczeniem z wzmocnieniem
- Kluczowe pojęcia: agent, środowisko, nagrody i strategia (policy)
Procesy Decyzyjne Markowa (MDP)
- Rozumienie stanów, działań, nagród i przejść między stanami
- Funkcje wartości i Równanie Bellmana
- Programowanie dynamiczne do rozwiązywania MDP
Algorytmy RL bazowe
- Metody tabelaryczne: Q-Learning i SARSA
- Metody oparte na strategii: algorytm REINFORCE
- Frameworki Actor-Critic i ich zastosowania
Głębokie uczenie z wzmocnieniem
- Wprowadzenie do Głębokich Sieci Q (DQN)
- Odtwarzanie doświadczeń (experience replay) i sieci docelowe
- Gradienty strategii i zaawansowane metody głębokiego RL
Frameworki i narzędzia RL
- Wprowadzenie do OpenAI Gym i innych środowisk RL
- Wykorzystanie PyTorch lub TensorFlow do rozwoju modeli RL
- Trenowanie, testowanie i benchmarkowanie agentów RL
Wyzwania w RL
- Wyrównywanie eksploracji i eksploatacji podczas treningu
- Radzenie sobie z rzadkimi nagrodami i problemem przypisania kredytów (credit assignment)
- Skalowalność i wyzwania obliczeniowe w RL
Ćwiczenia praktyczne
- Implementacja algorytmów Q-Learning i SARSA od podstaw
- Trenowanie agenta opartego na DQN do gry prostej gry w OpenAI Gym
- Dostrojenie modeli RL w celu poprawy wydajności w niestandardowych środowiskach
Podsumowanie i dalsze kroki
Wymagania
- Zaawansowane rozumienie zasad i algorytmów uczenia maszynowego
- Znajomość programowania w Pythonie
- Znajomość sieci neuronowych i frameworków uczenia głębokiego
Grupa docelowa
- Inżynierowie uczenia maszynowego
- Specjaliści od AI
