Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Pekiştirmeli Öğrenmeye Giriş
- Pekiştirmeli öğrenme ve uygulamaları hakkında genel bakış
- Denetimli, denetimsiz ve pekiştirmeli öğrenme arasındaki farklar
- Temel kavramlar: ajan, ortam, ödüller ve politika
Markov Karar Süreçleri (MDP)
- Durumlar, eylemler, ödüller ve durum geçişlerini anlama
- Değer fonksiyonları ve Bellman Denklemi
- MDP'leri çözmek için dinamik programlama
Temel RL Algoritmaları
- Tablo yöntemleri: Q-Learning ve SARSA
- Politika tabanlı yöntemler: REINFORCE algoritması
- Actor-Critic çerçeveleri ve uygulamaları
Derin Pekiştirmeli Öğrenme
- Derin Q-Ağlarına (DQN) giriş
- Deneysel tekrarlama (experience replay) ve hedef ağları
- Politika gradyanları ve gelişmiş derin RL yöntemleri
RL Çerçeveleri ve Araçları
- OpenAI Gym ve diğer RL ortamlarına giriş
- RL model geliştirmede PyTorch veya TensorFlow kullanımı
- RL ajanlarının eğitimi, test ve performans değerlendirmesi (benchmarking)
RL'de Zorluklar
- Eğitimde keşif ve istismar arasındaki dengeyi kurma
- Seyrek ödüller ve kredi atama problemleriyle başa çıkma
- RL'de ölçeklenebilirlik ve hesaplama zorlukları
Uygulamalı Etkinlikler
- Sıfırdan Q-Learning ve SARSA algoritmalarını uygulama
- OpenAI Gym'de basit bir oyun oynamak üzere DQN tabanlı bir ajan eğitimi
- Özel ortamlarda daha iyi performans için RL modellerini ince ayarlama
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- Makine öğrenimi ilkeleri ve algoritmaları hakkında güçlü bir anlayış
- Python programlamada yetkinlik
- Yapay sinir ağları ve derin öğrenme çerçeveleriyle aşinalık
Hedef Kitle
- Makine öğrenimi mühendisleri
- Yapay zekâ uzmanları
14 Saatler