Neem contact met ons op

Cursusaanbod

Inleiding tot Reinforcement Learning

  • Overzicht van reinforcement learning en toepassingen ervan
  • verschillen tussen supervised, unsupervised en reinforcement learning
  • Belangrijke concepten: agent, omgeving, beloningen en beleid

Markov Decision Processes (MDP's)

  • Verstaan van statussen, acties, beloningen en overgangen tussen statussen
  • Waard functies en de Bellman-vergelijking
  • Dynamisch programmeren voor het oplossen van MDP's

Kernalgoritmen voor RL

  • Tabulaire methoden: Q-Learning en SARSA
  • Op beleid gebaseerde methoden: REINFORCE-algoritme
  • Actor-Critic-frameworks en toepassingen ervan

Deep Reinforcement Learning

  • Inleiding tot Deep Q-Networks (DQN)
  • Experience replay en doelnetwerken
  • Beleidgradinten en geavanceerde deep RL-methoden

RL-frameworks en -tools

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

Uitdagingen in RL

  • Verkenning en exploitatie in balans houden tijdens het trainen
  • Omgaan met schrale beloningen en credit assignment-problemen
  • Schaalbaarheid en computatieve uitdagingen in RL

Praktijkactiviteiten

  • Implementatie van Q-Learning- en SARSA-algoritmen vanaf het begin
  • Trainen van een DQN-gebaseerde agent om een simpel spel in OpenAI Gym te spelen
  • Fijnafstellen van RL-modellen voor verbeterde prestaties in aangepaste omgevingen

Samenvatting en vervolgstappen

Vereisten

  • Stevig begrip van de principes en algoritmen van machine learning
  • Bevoegdheid in Python-programmeren
  • Kennis van neurale netwerken en deep learning-frameworks

Publiek

  • Machine learning engineers
  • AI-specialisten
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën