EAS-027
Машинное обучение с подкреплением: обычное и глубокое
Освойте методы обучения с подкреплением и их применение в реальных задачах. Этот курс предоставляет всесторонний обзор RL и DRL, включая основы математики, базовые алгоритмы и современные исследования. Вы научитесь моделировать среды RL и применять алгоритмы для решения
Удостоверение о прохождении
Смотреть пример
30 академ. часов
Онлайн
Подробнее
Улучшаемые навыки
Машинное обучение
Обучение с подкреплением
Глубокое обучение
Python
Q-обучение
Градиентные методы
Pytorch
Ray
Numpy
Matplotlib
Gym
Pygame
Инструменты
Python
NumPy
Pytorch
Matplotlib
Чему вы научитесь
01
Понимать основные концепции обучения с подкреплением (RL) и глубокого обучения с подкреплением (DRL).
02
Применять базовые и продвинутые алгоритмы RL для решения реальных задач.
03
Визуализировать и адаптировать алгоритмы RL.
04
Разрабатывать и оптимизировать модели RL с использованием нейронных сетей.
05
Использовать инструменты Pytorch и Ray для реализации и тестирования RL-алгоритмов.
Программа курса
01
Часть I. Предыстория
1. Линейная алгебра
Обзор основных концепций
2.Математический анализ
Интегралы
Производные
Примеры
3. Теория вероятностей
Случайные величины
Функции плотности вероятности
Математическое ожидание
Условные, совместные и безусловные вероятности
Примеры. Практика
2.Математический анализ
3. Теория вероятностей
02
Часть II. Обзор
1. Введение в RL
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
Обучение и планирование
Детерминированное
Стохастическое
Аппроксимация линейной функции-значения
Сравнение и практика
3. Алгоритмы
Q-обучение
SARSA
Методы Исполнитель-критик
Градиент стратегии
Методы дерева Монте-Карло
Обучение и исполнение
Примеры
Практика
2. На основе модели и без модели
3. Алгоритмы
03
Часть III. RL + глубокое обучение
1. Глубокое обучение с подкреплением
Аппроксимация нелинейной функции
Прорыв DeepMind
Объяснение Alpha-Star
2. Новейшие технологии в глубоком RL
Память, внимание, рекурсия
Обратное RL
Обучение нескольких агентов
Иерархическое обучение
Развитие поощрений – AutoRL
Оптимизации стратегий
3. Применения и использование
Трейдинг
Понимание речи и вопросно-ответные системы (опционально)
Балансировка нагрузки (опционально)
Другие применения (опционально)
2. Новейшие технологии в глубоком RL
3. Применения и использование
04
Часть IV. Практические примеры и инструменты
1. Pytorch / Tensorflow
Основы тензорного исчисления
Реализация алгоритма RL с нуля
Тестирование и визуализация
Практика
2. Ray + RLlib
Основные понятия: исполнители, модели будущего, совместное использование памяти и т.д.
Пример с решением
Различные алгоритмы
Сеточный поиск и визуализация
Практика
3. Визуализация и объяснимость
SMDP, AMDP, SAMDP
Проекция на 3D-пространство с помощью TSNE
Примеры
2. Ray + RLlib
3. Визуализация и объяснимость
Для кого
Data Engineer
ML Engineer
Разработчик
Предварительная подготовка
Необходимая подготовка:
Вузовская программа по математическому анализу, теории вероятностей, дискретной математике
Базовые знания в области машинного обучения
Понимание кода на языке Python
Записаться на курс
57 200 ₽
51 480 ₽ — для физ. лиц
Юр. лицо — 57 200 ₽
Физ. лицо — 51 480 ₽
Открытая дата
Наши ученики работают в:
Наши клиенты
Связанные курсы
EAS-020
24 часа
Основы машинного обучения
Основы машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Курс дает представление об основных группах методов машинного обучения и их применении для решения задач анализа текстов, прогнозирования цены и выдачи рекомендаций. В практической части курса участники будут работать с признаками, перебирать параметры моделей и строить ансамбли, используя язык Python.
от Middle
33 600 ₽
EAS-025
24 часа
Машинное обучение на практике
Практический курс по машинному обучению для аналитиков и разработчиков. Освоите полный цикл создания ML-моделей от подготовки данных до презентации результатов. Уникальность: курс построен на реальных кейсах, что позволяет сразу применять знания на практике. Ценность: научитесь решать реальные бизнес-задачи с помощью машинного обучения, повышая эффективность и точность решений.
от Middle
40 900 ₽
