Struttura del corso

Introduzione

Reinforcement Learning Nozioni di base

Tecniche di base Reinforcement Learning

Introduzione a BURLAP

Convergenza del valore e iterazione delle policy

Modellare la ricompensa

Esplorazione

Generalizzazione

MDP parzialmente osservabili

Opzioni

Logistica

TD Lambda

Gradienti dei criteri

Deep Q-Learning

Argomenti di Teoria dei Giochi

Riepilogo e prossime tappe

Requisiti

  • Conoscenza di Python
  • Una comprensione del calcolo universitario e dell'algebra lineare
  • Conoscenza di base di Probabilità e Statistics
  • Esperienza nella creazione di modelli di machine learning in Python e Numpy

Pubblico

  • Gli sviluppatori
  • Scienziati dei dati
  21 ore
 

Numero di Partecipanti


Data Inizio

Data Fine


Le date sono soggette a disponibilità e si svolgono tra le 09:30 e le 16:30.
I corsi di formazione pubblici richiedono più di 5 partecipanti.

Corsi relativi

Categorie relative