Erişim tarihi: 2011-04-01.  ^ "Reinforcement Learning: From Q-Learning to Deep RL".

Güçlendirme öğrenmesi, oyun oynayan ajanlardan özerk karar verme sistemlerine kadar yapay zeka alanındaki en heyecan verici atılımlardan bazılarını yönetiyor. ajanların deneme ve hata yoluyla nasıl öğrendiğini anlamak, modern makine öğrenimi uzmanları için hayati önem taşıyor. Bu metin tabanlı kurs, sizi güçlendirme öğreniminin temel matematiksel temellerinden pratik derin RL algoritmalarının uygulanmasına götürür. Ajanların ödülleri en üst düzeye çıkarmak için çevrelerle nasıl etkileşimde bulunduğunu sağlam bir sezgisel ve matematiksel anlayış kazanacak, gerçek dünya kontrolü ve karar verme zorluklarıyla başa çıkmaya hazır olacaksınız. Ne öğreneceksin: - Markov Karar Süreçleri, ödüller ve değer fonksiyonları da dahil olmak üzere temel RL kavramlarını anlamak. - Temiz Python kodu kullanarak Q-learning ve SARSA gibi klasik tablosal yöntemleri uygulayın. - Derin Q-Ağları ve politika derecelendirme yöntemlerini keşfederek RL'ye derin öğrenme teknikleri uygulayın. - Akıllı ajanlarınızı eğitmek ve değerlendirmek için standart simülasyon ortamlarını ayarlayın. - Büyük dil modellerinde kullanılan İnsan Geri Bildiriminden Güçlendirme Öğrenmesi de dahil olmak üzere güçlendirme öğreniminin modern uygulamalarını keşfedin. Ders, klasik algoritmalar ve modern derin güçlendirme öğrenme mimarileri boyunca size rehberlik etmeden önce temel terminoloji ve karar vermenin matematiksel çerçevesiyle başlar. Detaylı açıklamaları okuyarak, adım adım kod uygulamalarını analiz ederek ve pratik kullanım durumlarını inceleyerek öğreneceksiniz. Bu kurs veri bilimcileri, makine öğrenimi tutkunları ve güçlendirme öğrenimine yeni başlayan ancak Python ve genel makine eğitimi kavramlarına temel bir aşinalık sahibi olan yazılım geliştiricileri için tasarlanmıştır. Akıllı, kendi kendine öğrenen sistemler inşa etmeye bugün başlayın.