Učení posílením pro agenty umělé inteligence Počítačový Kurz

Úvod do učení posílením

• Přehled učení posílením a jeho aplikací
• Rozdíly mezi dohledovaným, nedohledovaným a učení posílením
• Klíčové pojmy: agent, prostředí, odměny a politika

Markovovy rozhodovací procesy (MDP)

• Rozumění stavům, akcím, odměnám a přechodům stavů
• Funkce hodnoty a Bellmanova rovnice
• Dynamické programování pro řešení MDP

Základní algoritmy RL

• Tabulkové metody: Q-Learning a SARSA
• Metody založené na politice: algoritmus REINFORCE
• Frameworky Actor-Critic a jejich aplikace

Hluboké učení posílením

• Úvod do Deep Q-Networks (DQN)
• Přehrávání zkušeností a cílové sítě
• Pochoditice politiky a pokročilé metody hlubokého RL

Frameworky a nástroje pro RL

• Úvod do OpenAI Gym a dalších prostředí RL
• Využití PyTorch nebo TensorFlow pro vývoj modelů RL
• Trénink, testování a benchmarkování agentů RL

Výzvy v oblasti RL

• Vyvážení prozkoumávání a využívání při tréninku
• Zvládání řídkých odměn a problémů přiřazování zásluh
• Problémy škálovatelnosti a výpočetní náročnosti v RL

Praktické aktivity

• Implementace algoritmů Q-Learning a SARSA od nuly
• Trénink agenta založeného na DQN pro hru v OpenAI Gym
• Doladování modelů RL pro lepší výkon v vlastních prostředích

Shrnutí a další kroky