Reinforcement Learning for AI Agents

• Dobre zrozumienie zasad i algorytmów uczenia maszynowego
• Biegłość w programowaniu Python
• Znajomość sieci neuronowych i frameworków głębokiego uczenia się

Publiczność

• Inżynierowie uczenia maszynowego
• Specjaliści ds. sztucznej inteligencji

Reinforcement Learning (RL) jest kamieniem węgielnym współczesnych badań i zastosowań sztucznej inteligencji. Koncentruje się na szkoleniu agentów do podejmowania optymalnych decyzji w dynamicznych, wieloetapowych środowiskach.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów AI, którzy chcą opanować techniki uczenia się ze wzmocnieniem i wdrożyć je do szkolenia agentów AI w rozwiązywaniu złożonych problemów.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe zasady uczenia się ze wzmocnieniem i procesów decyzyjnych Markowa (MDP).
• Projektować i wdrażać algorytmy RL, takie jak Q-Learning, SARSA i Deep Q-Networks (DQN).
• Wykorzystanie frameworków takich jak OpenAI Gym i bibliotek RL do praktycznych zastosowań.
• Trenowanie agentów AI w celu rozwiązywania rzeczywistych, wieloetapowych problemów decyzyjnych.
• Podejmowanie wyzwań, takich jak kompromisy między eksploracją a eksploatacją i zbieżność w szkoleniu RL.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczna implementacja w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami.

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