Séance de cours
Apprentissage par renforcement: Diagrammes de sauvegarde
Dans cours
DEMO: nostrud ea eu aliqua
Dolore adipisicing aute nisi aliqua et. Elit ipsum dolore enim enim ipsum excepteur pariatur anim ea ullamco dolore reprehenderit nisi quis. Occaecat ipsum cupidatat amet cillum nostrud enim aute officia. Lorem pariatur qui ullamco nisi dolore cillum consequat officia eiusmod aute pariatur do qui esse. Aliquip mollit eiusmod non in eiusmod aliquip nostrud culpa proident nulla esse. Sint sint qui nulla nostrud commodo Lorem exercitation eu laboris reprehenderit nulla. Nulla laborum nulla occaecat id ipsum veniam duis amet non.
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
aliquip sit
Aliquip laborum esse Lorem officia sit id proident esse duis deserunt. Id enim cillum ullamco amet deserunt quis nulla veniam. Cupidatat culpa voluptate cillum tempor nostrud consectetur ex ex sint mollit elit ullamco ad.
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.