Séance de cours
Apprentissage par renforcement: Diagrammes de sauvegarde
Dans cours
DEMO: labore esse nisi qui
Proident adipisicing sint anim consequat cillum. Irure magna aliquip proident proident nulla proident id enim nisi in adipisicing amet et. Aliqua est nisi laborum ipsum Lorem laboris velit enim sint esse irure. Cillum elit velit cillum pariatur in amet exercitation sit.
Description
Cette séance de cours fournit une vue d'ensemble de l'apprentissage par renforcement, en se concentrant sur le diagramme de sauvegarde en tant que représentation graphique des étapes dont se souvient un algorithme RL. Les sujets abordés comprennent l'apprentissage par renforcement profond, les réseaux neuronaux, les probabilités d'embranchement des politiques, la récompense totale attendue, l'équation de Bellman, l'algorithme SARSA et l'application de SARSA pour estimer les valeurs Q.
Enseignant
exercitation nulla
Labore do velit exercitation excepteur dolore id. Anim deserunt sunt consequat aute sint. Amet anim dolore mollit quis ex amet amet voluptate ea officia sint. Laboris irure velit ex veniam qui nulla sint mollit sint. Tempor sit eiusmod commodo magna veniam adipisicing. Cupidatat veniam ut velit laboris officia voluptate eu nulla duis sunt exercitation incididunt magna ex. Sit culpa in tempor culpa duis Lorem esse ad fugiat magna.
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.
Proximité ontologique
Séances de cours associées (57)
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.
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.
Optimisation des réseaux neuraux
Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.
Réseaux neuronaux : Réseaux neuronaux profonds
Explore les bases des réseaux neuraux, en mettant l'accent sur les réseaux neuraux profonds, leur architecture et leur formation.
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.