Eğitim İçeriği

Reinforcement Learning'a Giriş Reinforcement Learning

  • Reinforcement learning'in genel bakışı ve uygulamaları
  • Denetimli, denetimsiz ve reinforcement learning arasındaki farklar
  • Temel kavramlar: ajan, ortam, ödüller ve politika

Markov Karar Süreçleri (MDP'ler)

  • Durumların, eylemlerin, ödüllerin ve durum geçişlerinin anlaşılması
  • Değer fonksiyonları ve Bellman Denklemi
  • MDP'leri çözmek için dinamik programlama

Temel RL Algoritmaları

  • Tablosal yöntemler: Q-Learning ve SARSA
  • Politikaya dayalı yöntemler: REINFORCE algoritması
  • Aktör-Eleştirmen çerçeveleri ve uygulamaları

Derin Reinforcement Learning

  • Derin Q-Ağlarına (DQN) giriş
  • Deneyim tekrarı ve hedef ağlar
  • Politika gradyanları ve gelişmiş derin RL yöntemleri

RL Çerçeveleri ve Araçları

  • OpenAI Gym ve diğer RL ortamlarına giriş
  • RL model geliştirme için PyTorch veya TensorFlow kullanma
  • RL ajanlarını eğitme, test etme ve kıyaslama

RL'de Karşılaşılan Zorluklar

  • Eğitimde keşif ve sömürü arasında denge kurma
  • Seyrek ödüllerle başa çıkma ve kredi atama sorunları
  • Scalability ve RL'deki hesaplama zorlukları

Uygulamalı Activitiesler

  • Q-Learning ve SARSA algoritmalarını sıfırdan uygulama
  • OpenAI Gym'de basit bir oyunu oynamak için DQN tabanlı bir ajan eğitme
  • Özel ortamlarda gelişmiş performans için RL modellerini ince ayar yapma

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğrenimi prensipleri ve algoritmaları konusunda güçlü bir anlayış
  • Python programlama konusunda yetkinlik
  • Sinir ağları ve derin öğrenme çerçevelerine aşinalık

Hedef Kitle

  • Makine öğrenimi mühendisleri
  • Yapay zeka uzmanları
 14 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler