Deep Reinforcement Learning: Implementing Research Papers in PyTorch and TensorFlow (bằng tiếng Anh).

Học tập này hướng dẫn bạn qua quá trình đọc, hiểu, và thực hiện các thuật toán học bổ sung phức tạp từ đầu, biến các khái niệm toán học trừu tượng thành các tác nhân hoạt động. Bạn sẽ chuyển từ các nguyên tắc cơ bản của việc ra quyết định đến việc thực hiện các thuật toán hiện đại được sử dụng trong robot và hệ thống tự động. Bạn sẽ học được: - Hiểu các khái niệm cơ bản như Quá trình quyết định Markov, phương trình Bellman, và học khác biệt thời gian. - Thực hiện các thuật toán cốt lõi bao gồm phương pháp Q-Learning và Policy Gradient từ các mô tả viết. - Học kiến trúc Actor-Critic tiên tiến như DDPG, TD3 và Soft Actor Critical (SAC). - Ứng dụng học củng cố vào không gian hành động liên tục cần thiết cho việc kiểm soát robot hiện đại. - Dịch công thức toán học từ các bài nghiên cứu thành mã PyTorch và TensorFlow sạch, mô đun. - Thực hành gỡ lỗi và điều chỉnh các tác nhân trong môi trường mô phỏng tiêu chuẩn hiện đại như Gymnasium. - Apply modern Python practices, including type hints and vectorized environments, to improve agent performance. Chương trình bắt đầu với một giới thiệu chi tiết về thuật ngữ học củng cố và các thuật toán cổ điển trước khi tiến tới các thực hiện học sâu hiện đại. Bạn sẽ đọc các giải thích chi tiết về kiến trúc tác nhân và theo dõi các bước đi có cấu trúc để xây dựng mỗi hệ thống từ đầu, đảm bảo hiểu sâu về logic cơ bản. Chương trình này được thiết kế cho người mới bắt đầu trong lĩnh vực học nối tiếp, người có kiến thức cơ bản về Python và sẵn sàng đối phó với các thách thức AI phức tạp hơn. Không cần kinh nghiệm trước đó với các bài nghiên cứu. Bắt đầu xây dựng các nhân viên AI hiệu suất cao của riêng bạn thông qua sức mạnh của việc thực hiện nghiên cứu.