Couvre les méthodes de gradient de politique, en mettant l'accent sur l'apprentissage par l'action directe et l'optimisation des récompenses dans l'apprentissage par renforcement.
Explore les sujets d'apprentissage avancés du renforcement, y compris les politiques, les fonctions de valeur, la récursion de Bellman et le contrôle de la TD sur les politiques.
Se penche sur l'utilisation de la mémoire spatiale dans les agents RL pour les tâches de navigation labyrinthe, montrant des performances améliorées avec des repères visuels, mais des résultats incohérents dans le choix du chemin.
Présente les bases de l'apprentissage par renforcement, couvrant les états discrets, les actions, les politiques, les fonctions de valeur, les PDM et les politiques optimales.
Couvre la planification avec des adversaires, des algorithmes de recherche heuristique et des stratégies pour les jeux avec le hasard, en soulignant l'importance des agents délibératifs.
Examine la modélisation perceptuelle et la pensée spatiale dans l'intelligence visuelle, explorant les théories, les cartes cognitives et l'interaction entre le traitement ascendant et descendant.
Introduit un cours basé sur des projets en communication et en robotique, mettant l'accent sur des projets pratiques et un apprentissage indépendant pour préparer les étudiants à relever des défis du monde réel.
