#reinforcementlearning #künstlicheintelligenz
In Modul 3 werden wir ein grundlegendes Problem im Reinforcement Learning angehen: das Explore-Exploit-Dilemma.
Intelligente Agenten müssen ihr Verlangen nach kurzfristigen Belohnungen mit der Aussicht auf größere Belohnungen auf lange Sicht in Einklang bringen. Wir erkunden einige verschiedene Strategien zur Lösung dieses Dilemmas: optimistische Anfangswerte, epsilon-gierig und Off-Policy-Lernen.
In Modul 4 werden wir all dies im Kontext der Problemlösung mit dynamischer Programmierung anwenden, also bleibt dran.
Erfahren Sie, wie Sie Deep Reinforcement Learning-Papiere in Code umsetzen:
Erhalten Sie sofortigen Zugang zu all meinen Kursen, einschließlich des neuen Kurses zum Priorisierten Erfahrungsspiel, mit meinem Abonnementdienst. 29 $ pro Monat geben Ihnen sofortigen Zugang zu 42 Stunden Lehrinhalten sowie Zugang zu zukünftigen Updates, die monatlich hinzugefügt werden.
Rabatte sind für Udemy-Studenten verfügbar (die länger als 30 Tage eingeschrieben sind). Senden Sie einfach eine E-Mail an sales@neuralnet.ai
Oder holen Sie sich meine Udemy-Kurse hier:
Deep Q Learning:
Actor-Critic-Methoden:
Neugiergesteuertes Deep Reinforcement Learning
Natürliche Sprachverarbeitung von den Grundlagen:
Grundlagen des Reinforcement Learning
Hier sind einige Bücher/Kurse, die ich empfehle (Affiliate-Links):
Kommen Sie hier auf Discord vorbei:
Brauchen Sie persönliche Nachhilfe? Hilfe bei einem Programmierprojekt? Schreiben Sie mir eine E-Mail! phil@neuralnet.ai