Séance de cours
Mini-bateaux dans l'apprentissage de renforcement profond sur-et-hors-politique
Dans cours
DEMO: nulla pariatur do
Ipsum dolor do voluptate adipisicing et. Consequat eu culpa cillum eiusmod cupidatat minim do. Labore duis ipsum aliqua culpa sit esse. Quis ad eiusmod culpa eiusmod mollit aliqua veniam ut.
Description
Cette séance de cours couvre l'importance des mini-batches dans l'apprentissage par renforcement profond, expliquant comment éviter la corrélation de données en utilisant des tampons de relecture ou plusieurs acteurs. Il aborde les méthodes on-policy et off-policy, telles que Q-Learning et Advantage Actor-Critic, ainsi que les avantages et les inconvénients de chaque approche.
Enseignant
amet nostrud
Ea excepteur ex Lorem reprehenderit ex cillum fugiat non amet. Excepteur fugiat ex ad anim qui amet sunt labore culpa. Aute dolor est ut reprehenderit qui ipsum anim. Irure labore magna aute incididunt exercitation ipsum. Ad nisi eu sint qui et sunt Lorem amet voluptate dolore exercitation Lorem dolor. Deserunt id reprehenderit aliquip mollit do fugiat ullamco anim id. Tempor incididunt culpa esse reprehenderit nostrud esse et.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (37)
Renforcement de l'apprentissage : bases et applications
Couvre les bases de l'apprentissage de renforcement, y compris l'apprentissage d'essai et d'erreur, l'apprentissage Q, le RL profond, et les applications dans le jeu et la planification.
Agents d'apprentissage profond : Renforcement de l'apprentissage
Explore les agents d'apprentissage profond dans l'apprentissage du renforcement, en mettant l'accent sur les approximations du réseau neuronal et les défis dans la formation des systèmes multiactifs.
Agents d'apprentissage: Tradeoff Exploration-Exploitation
Explore le compromis exploration-exploitation dans l'apprentissage des effets inconnus des actions en utilisant des bandits multi-armés et Q-learning.
Renforcement de l'apprentissage : bases et applications
Couvre les bases de l'apprentissage du renforcement, y compris les processus décisionnels de Markov et les méthodes de gradient des politiques, et explore les applications du monde réel et les avancées récentes.
Renforcement de l'apprentissage : Q-Learning
Couvre l'apprentissage Q en renforçant l'apprentissage, en explorant les valeurs d'action, les politiques et l'impact sociétal des algorithmes.