Monte Carlo Reinforcement Learning: Mga Batayan at Algoritmia

Paano natututunan ng mga intelligent agent na gumawa ng pinakamainam na desisyon sa mga kapaligiran kung saan ganap na hindi alam ang mga transition dynamics? Ang Monte Carlo reinforcement learning ay nagbibigay ng malakas at data-driven na diskarte sa pamamagitan ng direktang pag-aaral mula sa mga episodes ng karanasan. Ang kursong ito na nakabatay sa teksto ay gagabay sa iyo mula sa mga pangunahing konsepto ng probability at Markov Decision Processes hanggang sa pag-unawa sa mga pangunahing Monte Carlo algorithm. Magkakaroon ka ng malinaw na konseptwal na pag-unawa kung paano tantiyahin ang value functions, i-optimize ang mga patakaran, at ilapat ang mga konseptong ito sa mga problemang model-free control. Ang iyong mga matututunan: Unawain ang mga pangunahing konsepto ng model-free reinforcement learning at kung paano naiiba ang mga pamamaraan ng Monte Carlo sa dynamic programming at temporal difference learning; Ihambing ang mga diskarte sa first-visit at every-visit Monte Carlo policy evaluation; Mag-apply ng mga diskarte sa epsilon-greedy exploration upang malutas ang dilemma ng exploration-exploitation sa mga problemang pang-kontrol; Mag-implement ng mga Monte Carlo control algorithm upang makahanap ng mga optimal policy nang hindi nangangailangan ng modelo ng kapaligiran; Suriin kung paano nagsisilbing pundasyon ang mga Monte Carlo estimator para sa mga modernong pamamaraan ng policy gradient at Monte Carlo Tree Search. Ang kurso ay nagsisimula sa mahalagang terminolohiya at sa matematikal na pormulasyon ng mga gawain ng reinforcement learning. Pagkatapos ay aabante ka sa sunud-sunod na nakasulat na mga paliwanag ng policy evaluation, mga control algorithm, at mga modernong aplikasyon ng Monte Carlo estimation. Ang kursong ito ay idinisenyo para sa mga baguhan sa machine learning at reinforcement learning; ang pangunahing pamilyaridad sa Python at elementary probability ay nakatutulong ngunit walang kinakailangang naunang karanasan sa RL. Simulan ang pagbabasa ngayon upang bumuo ng isang matibay na pundasyon sa model-free reinforcement learning.