OTUS, Игорь Стурейко, Андрей Канашов | Reinforcement Learning (2025) PCRec [RU]-Автор: Игорь Стурейко, Андрей Канашов Производство: Жанр: Видеокурс Описание: Reinforcement Learning — ключевой инструмент для построения интеллектуальных систем, которые учатся действовать самостоятельно. Этот курс создан для специалистов, стремящихся применять RL в реальных продуктах, масштабировать модели и использовать современные алгоритмы — от классических до Deep RL.
Программа курса:
Введение в Reinforcement Learning Модуль начинается с общего введения, охватывает ключевые особенности обучения с подкреплением, основные алгоритмы. Вы рассмотрите, как построить модель окружения и агента, и примените свои знания на простых сценариях. Тема 1: Знакомство с Reinforcement Learning Тема 2: Ключевые понятия RL: агент, среда, награда, политика. Построение среды Тема 3: Основные алгоритмы RL: Value based Тема 4: Основные алгоритмы RL: Policy based Deep Reinforcement Learning В этом модуле вы рассмотрите введение в глубокое обучение с подкреплением, которое объясняет значимость глубоких Q-сетей, представляет алгоритмы на основе политик. Затем объединяет методы на основе политик и значений с использованием алгоритма Actor-Critic. И, наконец, охватывает то, как нейронные сети могут использоваться для аппроксимации функций вознаграждения и политик. Тема 1: Введение в Deep Reinforcement Learning Тема 2: Deep Q-Network (DQN) алгоритм Тема 3: Deep Policy Gradient (PG) алгоритм Тема 4: Actor-Critic алгоритм Тема 5: TRPO -> PPO Тема 6: DDPG -> TD3 -> LSTM-TD3 Advanced Reinforcement Learning Модуль содержит более сложные темы и глубже раскрывает пройденный материал. Здесь рассматривается применение алгоритмов к более сложным ситуациям, например наличие фиксированных правил (model-based) или взаимодействие нескольких агентов между собой для достижения общей темы. Тема 1: Обучение с использованием модели среды (model-based rl) Тема 2: Model-based, часть 2 Тема 3: Иерархическое обучение с подкреплением Тема 4: Выбор темы и организация проектной работы Тема 5: Многоагентное обучение и кооперация агентов Тема 6: Трансформеры в RL: decision transformers и action transformers Применение RL в реальных задачах Модуль посвящен обзору практических примеров применения RL. Вы познакомитесь с игровой индустрией и рассмотрите какие задачи здесь можно решать с помощью RL. Поговорите о робототехнике, поймете какое применение RL находит в рекомендательных системах и более подробно рассмотрите финансовые модели на примере задачи балансировки портфеля активов и задачи кредитного скоринга. Тема 1: Применение RL в игровой индустрии Тема 2: Применение RL в робототехнике Тема 3: RL в рекомендательных системах Тема 4: RL в задаче скоринга Тема 5: Применение RL в управлении финансовым портфелем Проектная работа Заключительный месяц курса посвящен проектной работе. Свой проект — это то, над чем интересно поработать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей. Тема 1: Консультация по проектам и домашним заданиям Тема 2: Предзащита Тема 3: Защита проектных работ. Подведение итогов курса
Продолжительность: 35:20:18 Качество видео: PCRec Язык озвучки: РусскийСкриншоты:
Курс OTUS, Игорь Стурейко, Андрей Канашов - Reinforcement Learning (2025)
Текущее время: Сегодня 05:23
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы