Reinforcement Learning (RL) is een krachtige tak van machine learning die zich richt op het trainen van intelligente agenten door interactie met hun omgeving. In deze cursus leer je hoe agenten geleidelijk effectieve gedragingen ontdekken via trial-and-error. Beginnend met kernconcepten zoals Markov-beslissingsprocessen en multi-armed bandits, werk je toe naar dynamisch programmeren, Monte Carlo-methoden en temporal difference learning.

Ontdek hoe agenten getraind kunnen worden om optimale beslissingen te nemen via trial-and-error. Verken de essentiële theorie van reinforcement learning. Praktische ervaring met het opzetten en uitvoeren van een Gymnasium-omgeving.

Beheers de afweging tussen exploratie en exploitatie via het multi-armed bandit probleem. Implementeer actie-waarde schatting, ε-greedy, upper confidence bound en gradient-bandit methoden. Evalueer de prestaties van algoritmen op gesimuleerde beloningsmaximalisatie taken.

Beheers dynamisch programmeren voor modelgebaseerde RL. Ontdek hoe Bellman-vergelijkingen kunnen worden gebruikt om beleid te evalueren en te verbeteren. Implementeer algoritmen voor beleid- en waarde-iteratie. Verken gegeneraliseerde beleid-iteratie als de theoretische basis voor modelvrije methoden.

Beheers Monte Carlo-methoden voor modelvrije RL. Waardefuncties schatten en optimale beleidslijnen afleiden uit volledige episodes. Implementatie van on-policy en off-policy Monte Carlo-controle-algoritmen. Ontdek verkenningsstrategieën om modelvrij leren te optimaliseren.

Beheers temporale verschilmethoden voor modelvrije RL. Waarde-functies schatten op basis van gedeeltelijke episodes met behulp van TD(0)-updates. Implementatie van on-policy SARSA- en off-policy Q-Learning-algoritmen. Inzicht in de combinatie van Monte Carlo-methoden en TD-leren in n-staps TD en TD(λ).

Uitdaging: Dynamisch Programmeren

Uitdaging

Awesome!

Uitdaging: Dynamisch Programmeren

Uitdaging