Cursusaanbod

Inleiding tot Reinforcement Learning

  • Overzicht van reinforcement learning en de toepassingen ervan
  • Verschillen tussen onder toezicht, zonder toezicht en versterkend leren
  • Kernbegrippen: agent, omgeving, beloningen en beleid

Markov-besluitvormingsprocessen (MDP's)

  • Inzicht in toestanden, acties, beloningen en toestandsovergangen
  • Waardefuncties en de Bellman-vergelijking
  • Dynamisch programmeren voor het oplossen van MDP's

Core RL-algoritmen

  • Methoden in tabelvorm: Q-Learning en SARSA
  • Beleidsmatige methoden: ENHANCE-algoritme
  • Actor-Critic frameworks en hun toepassingen

Diep Reinforcement Learning

  • Inleiding tot Deep Q-Networks (DQN)
  • Ervaar replay en doelnetwerken
  • Beleidsgradiënten en geavanceerde diepe RL-methoden

RL-frameworks en -tools

  • Inleiding tot OpenAI Gym en andere RL-omgevingen
  • PyTorch of TensorFlow gebruiken voor de ontwikkeling van RL-modellen
  • RL-agents trainen, testen en benchmarken

Uitdagingen in RL

  • Evenwicht tussen exploratie en exploitatie in opleiding
  • Omgaan met schaarse beloningen en problemen met krediettoewijzing
  • Scalabillijkheid en computationele uitdagingen in RL

Hands-On Activities

  • Q-Learning en SARSA-algoritmen vanaf nul implementeren
  • Een DQN-agent trainen om een eenvoudig spel te spelen in OpenAI Gym
  • Fine-tuning van RL-modellen voor verbeterde prestaties in aangepaste omgevingen

Samenvatting en volgende stappen

Vereisten

  • Sterk begrip van machine learning-principes en algoritmen
  • Vaardigheid in Python programmeren
  • Bekendheid met neurale netwerken en deep learning-frameworks

Audiëntie

  • Ingenieurs voor machine learning
  • AI-specialisten
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën