- Doświadczenie z uczeniem maszynowym
- Doświadczenie Programming
Publiczność
- Naukowcy zajmujący się danymi
Reinforcement Learning (RL) to technika uczenia maszynowego, w której program komputerowy (agent) uczy się zachowywać w środowisku, wykonując działania i otrzymując informacje zwrotne na temat wyników tych działań. Za każde dobre działanie agent otrzymuje pozytywną informację zwrotną, a za każde złe działanie otrzymuje negatywną informację zwrotną (karę).
To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza tradycyjne podejście do uczenia maszynowego, aby nauczyć program komputerowy rozwiązywania problemów bez użycia oznaczonych danych i dużych zbiorów danych.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zainstalować i zastosować biblioteki i język programowania potrzebne do wdrożenia Reinforcement Learning.
- Stworzyć agenta oprogramowania, który jest w stanie uczyć się poprzez informacje zwrotne zamiast poprzez nadzorowane uczenie się.
- Zaprogramować agenta do rozwiązywania problemów, w których podejmowanie decyzji jest sekwencyjne i skończone.
- Zastosowanie wiedzy do projektowania oprogramowania, które może uczyć się w sposób podobny do tego, w jaki uczą się ludzie.
Format kursu
- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i praktyki.
- Praktyczna implementacja w środowisku live-lab.
Opcje dostosowywania kursu
- Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.
Wprowadzenie
- Uczenie się poprzez pozytywne wzmocnienie
Elements of Reinforcement Learning
Ważne pojęcia (działania, stany, nagrody, polityka, wartość, wartość Q itp.)
Przegląd metod rozwiązań tabelarycznych
Tworzenie agenta programowego
Zrozumienie podejść opartych na wartościach, zasadach i modelach
Praca z procesem decyzyjnym Markowa (MDP)
Jak polityki definiują sposób zachowania agenta
Korzystanie z metod Monte Carlo
Uczenie się różnic czasowych
n-krokowy Bootstrapping
Metody rozwiązań przybliżonych
Przewidywanie na podstawie polityki z aproksymacją
Kontrola polityki z aproksymacją
Metody poza polityką z aproksymacją
Zrozumienie śladów uprawnień
Korzystanie z metod gradientu polityki
Podsumowanie i wnioski
United Arab Emirates - Fundamentals of Reinforcement Learning
Qatar - Fundamentals of Reinforcement Learning
Egypt - Fundamentals of Reinforcement Learning
Saudi Arabia - Fundamentals of Reinforcement Learning
South Africa - Fundamentals of Reinforcement Learning
Brasil - Fundamentals of Reinforcement Learning
Canada - Fundamentals of Reinforcement Learning
中国 - Fundamentals of Reinforcement Learning
香港 - Fundamentals of Reinforcement Learning
澳門 - Fundamentals of Reinforcement Learning
台灣 - Fundamentals of Reinforcement Learning
USA - Fundamentals of Reinforcement Learning
Österreich - Fundamentals of Reinforcement Learning
Schweiz - Fundamentals of Reinforcement Learning
Deutschland - Fundamentals of Reinforcement Learning
Czech Republic - Fundamentals of Reinforcement Learning
Denmark - Fundamentals of Reinforcement Learning
Estonia - Fundamentals of Reinforcement Learning
Finland - Fundamentals of Reinforcement Learning
Greece - Fundamentals of Reinforcement Learning
Magyarország - Fundamentals of Reinforcement Learning
Ireland - Fundamentals of Reinforcement Learning
Luxembourg - Fundamentals of Reinforcement Learning
Latvia - Fundamentals of Reinforcement Learning
España - Fundamentals of Reinforcement Learning
Italia - Fundamentals of Reinforcement Learning
Lithuania - Fundamentals of Reinforcement Learning
Nederland - Fundamentals of Reinforcement Learning
Norway - Fundamentals of Reinforcement Learning
Portugal - Fundamentals of Reinforcement Learning
România - Fundamentals of Reinforcement Learning
Sverige - Fundamentals of Reinforcement Learning
Türkiye - Fundamentals of Reinforcement Learning
Malta - Fundamentals of Reinforcement Learning
Belgique - Fundamentals of Reinforcement Learning
France - Fundamentals of Reinforcement Learning
日本 - Fundamentals of Reinforcement Learning
Australia - Fundamentals of Reinforcement Learning
Malaysia - Fundamentals of Reinforcement Learning
New Zealand - Fundamentals of Reinforcement Learning
Philippines - Fundamentals of Reinforcement Learning
Singapore - Fundamentals of Reinforcement Learning
Thailand - Fundamentals of Reinforcement Learning
Vietnam - Fundamentals of Reinforcement Learning
India - Fundamentals of Reinforcement Learning
Argentina - Fundamentals of Reinforcement Learning
Chile - Fundamentals of Reinforcement Learning
Costa Rica - Fundamentals of Reinforcement Learning
Ecuador - Fundamentals of Reinforcement Learning
Guatemala - Fundamentals of Reinforcement Learning
Colombia - Fundamentals of Reinforcement Learning
México - Fundamentals of Reinforcement Learning
Panama - Fundamentals of Reinforcement Learning
Peru - Fundamentals of Reinforcement Learning
Uruguay - Fundamentals of Reinforcement Learning
Venezuela - Fundamentals of Reinforcement Learning
Polska - Fundamentals of Reinforcement Learning
United Kingdom - Fundamentals of Reinforcement Learning
South Korea - Fundamentals of Reinforcement Learning
Pakistan - Fundamentals of Reinforcement Learning
Sri Lanka - Fundamentals of Reinforcement Learning
Bulgaria - Fundamentals of Reinforcement Learning
Bolivia - Fundamentals of Reinforcement Learning
Indonesia - Fundamentals of Reinforcement Learning
Kazakhstan - Fundamentals of Reinforcement Learning
Moldova - Fundamentals of Reinforcement Learning
Morocco - Fundamentals of Reinforcement Learning
Tunisia - Fundamentals of Reinforcement Learning
Kuwait - Fundamentals of Reinforcement Learning
Oman - Fundamentals of Reinforcement Learning
Slovakia - Fundamentals of Reinforcement Learning
Kenya - Fundamentals of Reinforcement Learning
Nigeria - Fundamentals of Reinforcement Learning
Botswana - Fundamentals of Reinforcement Learning
Slovenia - Fundamentals of Reinforcement Learning
Croatia - Fundamentals of Reinforcement Learning
Serbia - Fundamentals of Reinforcement Learning
Bhutan - Fundamentals of Reinforcement Learning