Reinforcement Learning (RL) er en kraftfuld gren af maskinlæring, der fokuserer på at træne intelligente agenter gennem interaktion med deres omgivelser. I dette kursus lærer du, hvordan agenter gradvist opdager effektive adfærdsmønstre gennem forsøg og fejl. Kurset starter med kernebegreber som Markov beslutningsprocesser og multi-armed bandits og fortsætter med dynamisk programmering, Monte Carlo-metoder og temporal difference learning.

Opdag, hvordan man træner agenter til at træffe optimale beslutninger gennem trial and error. Udforsk det grundlæggende inden for reinforcement learning teori. Få praktisk erfaring med opsætning og kørsel af et Gymnasium-miljø.

Behersk udfordringen mellem udforskning og udnyttelse gennem multi-armed bandit-problemet. Implementering af handlingsværdiestimering, ε-greedy, upper confidence bound og gradient-bandit metoder. Evaluering af algoritmers ydeevne på simulerede opgaver med belønningsmaksimering.

Behersk dynamisk programmering til modelbaseret RL. Opdag, hvordan Bellman-ligninger kan anvendes til at evaluere og forbedre politikker. Implementer algoritmer for politik- og værdiforløb. Udforsk generaliseret politikforløb som det teoretiske grundlag for modelløse metoder.

Behersk Monte Carlo-metoder til modellfri RL. Estimer værdifunktioner og udled optimale politikker fra fuldstændige episoder. Implementer on-policy og off-policy Monte Carlo-kontrolalgoritmer. Udforsk strategier for udforskning til optimering af modellfri læring.

Behersk temporal difference learning til model-fri RL. Estimer værdifunktioner ud fra delvise episoder ved hjælp af TD(0)-opdateringer. Implementer on-policy SARSA og off-policy Q-Learning algoritmer. Undersøg hvordan Monte Carlo-metoder og TD learning kombineres i n-step TD og TD(λ).

Udfordring: Monte Carlo-metoder

Udfordring

Awesome!

Udfordring: Monte Carlo-metoder

Udfordring