Q-Learning Fundamentals in Reinforcement Learning (dalam bahasa Inggris).

Pembelajaran penguatan (reinforcement learning) mendorong beberapa terobosan paling menarik dalam kecerdasan buatan modern, namun untuk memulainya bisa terasa berat. Kursus ini membahas konsep inti Q-learning, membuat dasar matematika dan logika algoritma dapat diakses oleh semua orang. Anda akan beralih dari tidak memiliki pengetahuan tentang pembelajaran penguatan untuk memahami dengan yakin bagaimana agen belajar dari lingkungan mereka, memperbarui fungsi nilai aksi mereka, dan membuat keputusan optimal. Apa yang Anda pelajari: Mengerti konsep dasar Proses Keputusan Markov, negara, tindakan, dan hadiah; Memformulasikan Persamaan Bellman untuk menghitung fungsi nilai aksi optimal langkah demi langkah; Implementasikan algoritma Q-learning klasik untuk memecahkan masalah navigasi grid-dunia; Eksplorasi dan eksploitasi keseimbangan menggunakan Strategi epsilon-gerilya; Menjelajahi kemajuan modern seperti Deep Q-Networks dan transisi ke lingkungan pelatihan modern seperti Gymnasium; Menganalisis kinerja agen dan mendebug kurva pembelajaran melalui latihan tertulis yang terstruktur. Kursus ini dimulai dengan terminologi penting dan kerangka konseptual pembelajaran penguatan sebelum memandu Anda melalui mekanika Q-table, pembaruan kebijakan, dan adaptasi pembelajaran penguat yang dalam. Dirancang khusus untuk pemula, kursus ini hanya membutuhkan konsep dasar pemrograman dan matematika dasar untuk memulai. Mulai perjalanan Anda ke pembelajaran penguatan dan membangun fondasi yang kuat dalam Q-learning hari ini.