Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Wprowadzenie do Reinforcement Learning
- Przegląd uczenia ze wzmocnieniem i jego zastosowań
- Różnice między uczeniem nadzorowanym, nienadzorowanym i uczeniem ze wzmocnieniem
- Kluczowe pojęcia: agent, środowisko, nagrody i polityka
Procesy decyzyjne Markowa (MDP)
- Zrozumienie stanów, działań, nagród i przejść między stanami
- Funkcje wartości i równanie Bellmana
- Programowanie dynamiczne do rozwiązywania MDP
Podstawowe algorytmy RL
- Metody tabelaryczne: Q-Learning i SARSA
- Metody oparte na zasadach: Algorytm REINFORCE
- Ramy krytyki aktorów i ich zastosowania
Głębokie Reinforcement Learning
- Wprowadzenie do głębokich sieci Q (DQN)
- Odtwarzanie doświadczeń i sieci docelowe
- Gradienty polityki i zaawansowane głębokie metody RL
Struktury i narzędzia RL
- Wprowadzenie do OpenAI Gym i innych środowisk RL
- Korzystanie z PyTorch lub TensorFlow do tworzenia modeli RL
- Szkolenie, testowanie i porównywanie agentów RL
Wyzwania w RL
- Równoważenie eksploracji i eksploatacji w treningu
- Radzenie sobie z rzadkimi nagrodami i problemami z przydzielaniem punktów
- [Mobilność i wyzwania obliczeniowe w RL
Ćwiczenia praktyczne Activiti
- Implementacja algorytmów Q-Learning i SARSA od podstaw
- Trenowanie agenta opartego na DQN do grania w prostą grę w OpenAI Gym
- Dostrajanie modeli RL w celu poprawy wydajności w niestandardowych środowiskach
Podsumowanie i kolejne kroki
Wymagania
- Dobre zrozumienie zasad i algorytmów uczenia maszynowego
- Biegłość w programowaniu Python
- Znajomość sieci neuronowych i frameworków głębokiego uczenia się
Uczestnicy
- Inżynierowie uczenia maszynowego
- Specjaliści ds. sztucznej inteligencji
14 godzin
Opinie uczestników (1)
Trener reagujący na pytania na bieżąco.
Adrian
Szkolenie - Agentic AI Unleashed: Crafting LLM Applications with AutoGen
Przetłumaczone przez sztuczną inteligencję
