Cảm ơn bạn đã gửi yêu cầu! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Cảm ơn bạn đã gửi đặt chỗ! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Đề cương khóa học
Giới thiệu về Reinforcement Learning
- Reinforcement learning là gì?
- Các khái niệm cơ bản: tác nhân, môi trường, trạng thái, hành động và phần thưởng
- Thách thức trong reinforcement learning
Khám phá và khai thác
- Cân bằng giữa khám phá và khai thác trong các mô hình RL
- Chiến lược khám phá: epsilon-greedy, softmax và hơn thế nữa
Q-Learning và Deep Q-Networks (DQNs)
- Giới thiệu về Q-learning
- Triển khai DQNs sử dụng TensorFlow
- Tối ưu hóa Q-learning bằng cách sử dụng kinh nghiệm replay và target networks
Phương pháp Dựa trên Chính sách
- Thuật toán gradient chính sách
- Thuật toán REINFORCE và cách triển khai nó
- Phương pháp actor-critic
Làm việc với OpenAI Gym
- Thiết lập môi trường trong OpenAI Gym
- Mô phỏng các tác nhân trong môi trường động
- Đánh giá hiệu suất của tác nhân
Các Kỹ Thuật Reinforcement Learning Tiên Tiến
- Reinforcement learning đa tác nhân
- Deep deterministic policy gradient (DDPG)
- Proximal policy optimization (PPO)
Triển khai Mô hình Reinforcement Learning
- Ứng dụng thực tế của reinforcement learning
- Tích hợp các mô hình RL vào môi trường sản xuất
Tổng kết và Bước tiếp theo
Yêu cầu
- Kinh nghiệm lập trình Python
- Hiểu biết cơ bản về deep learning và machine learning
- Kiến thức về các thuật toán và khái niệm toán học sử dụng trong reinforcement learning
Đối tượng
- Khoa học dữ liệu
- Chuyên gia machine learning
- Nghiên cứu viên AI
28 Giờ
