Pengenalan kepada Pembelajaran Pengukuhan: Dari Q-Learning ke Deep RL

Pembelajaran pengukuhan (reinforcement learning) mendorong beberapa kejayaan paling menarik dalam kecerdasan buatan, daripada agen bermain permainan kepada sistem keputusan autonomi. Memahami bagaimana agen belajar melalui percubaan dan kesilapan adalah penting bagi mana-mana pengamal pembelajaran mesin moden. Kursus berasaskan teks ini membawa anda dari asas matematik teras pembelajaran pengukuhan kepada pelaksanaan algoritma deep RL praktikal. Anda akan memperoleh pemahaman intuitif dan matematik yang kukuh tentang bagaimana agen berinteraksi dengan persekitaran untuk memaksimumkan ganjaran, menyediakan anda untuk menangani cabaran kawalan dan membuat keputusan dunia sebenar. Apa yang anda akan pelajari: - Fahami konsep asas RL, termasuk Markov Decision Processes, ganjaran (rewards), dan fungsi nilai (value functions). - Laksanakan kaedah jadual klasik seperti Q-learning dan SARSA menggunakan kod Python yang bersih. - Gunakan teknik pembelajaran mendalam (deep learning) kepada RL dengan meneroka Deep Q-Networks dan kaedah kecerunan polisi (policy gradient methods). - Konfigurasi persekitaran simulasi standard untuk melatih dan menilai agen pintar anda. - Teroka aplikasi moden pembelajaran pengukuhan, termasuk Reinforcement Learning from Human Feedback yang digunakan dalam model bahasa besar. Kursus ini bermula dengan terminologi penting dan rangka kerja matematik membuat keputusan sebelum membimbing anda melalui algoritma klasik dan seni bina pembelajaran pengukuhan mendalam moden. Anda akan belajar dengan membaca penjelasan terperinci, menganalisis pelaksanaan kod langkah demi langkah, dan mengkaji kes penggunaan praktikal. Kursus ini direka untuk saintis data, peminat pembelajaran mesin, dan pembangun perisian yang baru dalam pembelajaran pengukuhan tetapi mempunyai kebiasaan asas dengan Python dan konsep pembelajaran mesin umum. Mula membina sistem pintar yang belajar sendiri hari ini.