Программа курса
01
Часть I. Предыстория (5 ч 30 мин)
1. Линейная алгебра (30 мин)
2. Математический анализ (1 ч)
3. Теория вероятностей (4 ч)
- Обзор основных концепций.
2. Математический анализ (1 ч)
- Интегралы.
- Производные.
- Примеры.
3. Теория вероятностей (4 ч)
- Случайные величины.
- Функции плотности вероятности.
- Математическое ожидание.
- Условные, совместные и безусловные вероятности.
- Примеры.
- Практика.
02
Часть II. Обзор (11 ч)
1. Введение в RL (4 ч)
2. На основе модели и без модели (3 ч)
3. Алгоритмы (4 ч)
- Марковские процессы принятия решений.
- Динамическое программирование с примером.
- Уравнение Беллмана.
- Оценка стратегии.
- Итерация по стратегиям.
- Итерация по ценностям.
- Примеры.
- Практика.
2. На основе модели и без модели (3 ч)
- Обучение и планирование.
- Детерминированное.
- Стохастическое.
- Аппроксимация линейной функции-значения.
- Сравнение и практика.
3. Алгоритмы (4 ч)
- Q-обучение.
- SARSA.
- Методы Исполнитель-критик.
- Градиент стратегии.
- Методы дерева Монте-Карло.
- Обучение и исполнение.
- Примеры.
- Практика.
03
Часть III. RL + глубокое обучение (6 ч 30 мин)
1. Глубокое обучение с подкреплением (1,5 ч)
2. Новейшие технологии в глубоком RL (3 ч)
3. Применения и использование (2 ч)
- Аппроксимация нелинейной функции.
- Прорыв DeepMind.
- Объяснение Alpha-Star.
2. Новейшие технологии в глубоком RL (3 ч)
- Память, внимание, рекурсия.
- Обратное RL.
- Обучение нескольких агентов.
- Иерархическое обучение.
- Развитие поощрений – AutoRL.
- Оптимизации стратегий.
3. Применения и использование (2 ч)
- Трейдинг.
- Понимание речи и вопросно-ответные системы (опционально).
- Балансировка нагрузки (опционально).
- Другие применения (опционально).
04
Часть IV. Практические примеры и инструменты (7 ч)
1. Pytorch / Tensorflow (2 ч)
2. Ray + RLlib (3 ч 30 мин)
3. Визуализация и объяснимость (1 ч 30 мин)
- Основы тензорного исчисления.
- Реализация алгоритма RL с нуля.
- Тестирование и визуализация.
- Практика.
2. Ray + RLlib (3 ч 30 мин)
- Основы тензорного исчисления.
- Реализация алгоритма RL с нуля.
- Тестирование и визуализация.
- Практика.
3. Визуализация и объяснимость (1 ч 30 мин)
- SMDP, AMDP, SAMDP.
- Проекция на 3D-пространство с помощью TSNE.
- Примеры.
Предварительная подготовка
Необходимая подготовка:
-
Вузовская программа по математическому анализу, теории вероятностей, дискретной математике
-
Базовые знания в области машинного обучения
- Понимание кода на языке Python
Расписание курсов
Курс проводят
Аксёнов Сергей
Специалист в области разработки ПО
Записаться на курс
54 500 ₽
49 050 ₽ — для физ. лиц
Юр. лицо — 54 500 ₽
Физ. лицо — 49 050 ₽
16.06.2025, Онлайн
16.06.2025, Онлайн
Открытая дата
Наши ученики работают в:
Наши клиенты
Связанные курсы
EAS-020
24 часа
Основы машинного обучения
Этот тренинг дает представление об основных группах методов машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Участники узнают, как решать распространенные задачи анализа текстов, прогнозирования цены, выдачи рекомендаций и другие. В практических заданиях много времени уделяется работе с признаками, перебору параметров моделей и построению ансамблей.
от Middle
32 000 ₽
EAS-025
24 часа
Машинное обучение на практике
Вводный практический курс по машинному обучению. Рассматривается полный цикл построения решения: от выделения исходных данных («.xlsx файл») через построение модели и до объяснения конечному заказчику особенностей данных и специфики полученного результата. Теоретические разделы - классификация, регрессия, предсказания, ансамбли – даются в обзорном режиме, в объёме, необходимом для корректного построения и понимания разбираемых примеров.
от Middle
39 000 ₽
