Bize Ulaşın
 Süre 21 Saat

Eğitim İçeriği

Robot Öğrenmesine Giriş

  • Robotikte makine öğrenmesine genel bakış
  • Gözetimli, gözetimsiz ve pekiştirmeli öğrenme karşılaştırması
  • RL'in kontrol, navigasyon ve manipulasyondaki uygulamaları

Pekiştirmeli Öğrenmenin Temelleri

  • Markov karar süreçleri (MDP)
  • Politika, değer ve ödül fonksiyonları
  • Keşif ve istismar (exploration vs exploitation) dengesizlikleri

Klasik RL Algoritmaları

  • Q-learning ve SARSA
  • Monte Carlo ve zamansal fark (temporal difference) yöntemleri
  • Değer tekrarlama ve politika tekrarlama (value iteration and policy iteration)

Derin Pekiştirmeli Öğrenme Teknikleri

  • Derin öğrenme ile RL birleştirme (Deep Q-Networks)
  • Politika gradyanı yöntemleri
  • İleri düzey algoritmalar: A3C, DDPG ve PPO

Robot Öğrenmesi için Simülasyon Ortamları

  • Simülasyon için OpenAI Gym ve ROS 2 kullanımı
  • Robotik görevler için özel ortamlar oluşturma
  • Performans ve eğitim kararlılığını değerlendirme

Robotikte RL Uygulaması

  • Kontrol ve hareket politikalarının öğrenimi
  • Robotik manipulasyon için pekiştirmeli öğrenme
  • Sürü robotiğinde çoklu ajan pekiştirmeli öğrenme

Optimizasyon, Dağıtım ve Gerçek Dünya Entegrasyonu

  • Hiperparametre ayarı ve ödül şekillendirme
  • Öğrenilen politikaların simülasyondan gerçeğe aktarımı (Sim2Real)
  • Eğitilmiş modellerin robotik donanıma dağıtımı

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğrenmesi kavramlarına hakimiyet
  • Python programlama deneyimi
  • Robotik ve kontrol sistemleri konusuna aşinalık

Hedef Kitle

  • Makine öğrenmesi mühendisleri
  • Robotik araştırmacıları
  • Akıllı robotik sistemler geliştiren geliştiriciler

Katılımcı Sayısı


Katılımcı başına fiyat

Danışanlarımızın Yorumları (2)

Yaklaşan Etkinlikler

İlgili Kategoriler