Eğitim İçeriği

Reinforcement Learning'a Giriş Reinforcement Learning

  • Reinforcement learning nedir?
  • Temel kavramlar: ajan, ortam, durumlar, eylemler ve ödüller
  • Reinforcement learning'deki zorluklar

Keşif ve Kullanım

  • RL modellerinde keşif ve kullanım dengesi
  • Keşif stratejileri: epsilon-açgözlü, softmax ve daha fazlası

Q-Learning ve Derin Q Ağları (DQNs)

  • Q-learning'e giriş
  • TensorFlow kullanarak DQNs'yi uygulama
  • Deneyim tekrarı ve hedef ağlarla Q-learning'i optimize etme

Politikaya Dayalı Yöntemler

  • Politika gradyan algoritmaları
  • REINFORCE algoritması ve uygulaması
  • Aktör-eleştirmen yöntemleri

OpenAI Gym ile Çalışma

  • OpenAI Gym'de ortamları kurma
  • Dinamik ortamlarda ajanları simüle etme
  • Ajan performansını değerlendirme

İleri Düzey Reinforcement Learning Teknikleri

  • Çoklu ajan reinforcement learning
  • Derin deterministik politika gradyanı (DDPG)
  • Yakın politika optimizasyonu (PPO)

Reinforcement Learning Modellerini Uygulama

  • Reinforcement learning'in gerçek dünya uygulamaları
  • RL modellerini üretim ortamlarına entegre etme

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Python programlama deneyimi
  • Derin öğrenme ve makine öğrenimi kavramlarına ilişkin temel anlayış
  • Takviyeli öğrenmede kullanılan algoritmalar ve matematiksel kavramlar bilgisi

Hedef Kitle

  • Veri bilimcileri
  • Makine öğrenimi uygulayıcıları
  • Yapay zeka araştırmacıları
 28 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Danışanlarımızın Yorumları (4)

Yaklaşan Etkinlikler

İlgili Kategoriler