Методы обучения на основе образцов для обучения с подкреплением

Создание интеллектуальных систем часто требует обучения на опыте, когда совершенная модель мира недоступна. Этот курс познакомит вас с основными алгоритмами, которые позволяют агентам улучшить процесс принятия решений посредством прямого взаимодействия и обратной связи. Вы пройдете путь от понимания основных циклов агент-окружение до реализации сложных стратегий, которые решают сложные задачи без предварительных знаний динамики окружающей среды. К концу этого курса вы сможете разрабатывать системы, которые учатся на своих собственных успехах и неудачах. Что вы узнаете: - Понять основные понятия состояний, действий и вознаграждений в системах обучения. - Применение методов Монте-Карло для оценки и совершенствования политики на основе накопленного опыта. - Основы обучения с использованием временных разностей, включая механику Q-обучения и SARSA. - Применять стратегии разведки-разработки для сбалансированного сочетания открытия новых путей с максимальным увеличением прибыли. - Практика оценки функции значений для прогнозирования долгосрочных результатов в динамических условиях. - Изучите основы современного аппроксимирования функций, чтобы помочь методам обучения масштабироваться к более крупным проблемам. Этот курс начинается с основной терминологии и математических основ обучения с подкреплением, а затем переходит к практическим алгоритмическим приложениям с помощью письменных объяснений и примеров кода. Он предназначен для начинающих, которым нужна прочная концептуальная и практическая основа в том, как машины учатся на опыте. Начните свое путешествие в автономное обучение и начните создавать агентов, которые адаптируются к окружающему миру.