Bize Ulaşın

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

Katılımcı Sayısı


Katılımcı başına fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler