Bądźmy w kontakcie

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
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie