AI Reinforcement Learning - eLearning
4.950,00 NOK
- 30 hours
Ta steget inn i fremtiden for kunstig intelligens med kurset i forsterkningslæring, der maskiner lærer ved å samhandle, tilpasse seg og forbedre seg gjennom erfaring. Dette kurset introduserer deg for en av de mest kraftfulle grenene innen maskinlæring, brukt i robotikk, spill‑AI, anbefalingssystemer og autonom beslutningstaking.
Nøkkelfunksjoner
Språk
Kurs og materiell på engelsk
Nivå
Nybegynner - avansert nivå
Tilgang
1 års tilgang til læringsplattformen
9 timer med videoer på forespørsel
med over 30 timer anbefalt studietid
30 veiledede praktiske øvelser
8 automatisk vurderte prøver
46 repetisjonsquizer
2 omfattende oppgaver
Sertifikat
Sertifikat for fullført program inkludert
Læringsutbytte
Ved slutten av dette kurset vil du kunne forstå:
Grunnleggende
Behersk grunnleggende prinsipper i multi-agent forsterkningslæring (RL)
Kjerneparadigmer
Utforsk de tre grunnleggende paradigmer innen maskinlæring
Balanse
Forstå balansen mellom utforskning og utnyttelse
Tabular-Q
Lær tabellarisk Q-læring og dyp Q-læring
RLib
Tren flere agenter med RLib
Markov
Få en forståelse av Markov-kjeder og beslutningsprosesser
Kursplan
Introduksjon til forsterkningslæring
Leksjon 01
- Tre paradigmer for maskinlæring
- RL suksesshistorier
- Elementer i et RL-problem
- Introduksjon til treningssenteret
- Trene din første RL-agent med RLlib
Enkeltstegs RL: flerarmede banditter
Leksjon 02
- Multiarmet banditt-innstilling
- Utforsknings–utnyttelsesavveining
- Grunnleggende tilnærminger til å avveie utforskning og utnyttelse
- Avanserte tilnærminger for å balansere utforskning og utnyttelse
- Introduksjon til kontekstuelle bandittproblemer
- Et praktisk eksempel på kontekstuelle banditter
- Dype kontekstuelle banditter
- Utforskning med dype kontekstuelle banditter
- Et praktisk eksempel med dype kontekstuelle banditter
Flertrinns forsterkningslæring
Leksjon 03
- Introduksjon til Markov-kjeder
- Markov-belønningsprosess
- Markov beslutningsprosess
- Policy-evaluering og -iterasjon
- Tabellarisk Q-læring
- Praktisk eksempel på tabellarisk Q-læring
- Dyp Q-læring
- Bruke RLlib til å trene et Deep Q-nettverk
- Policy-baserte metoder
- Bruke RLib til å trene en PPO-agent
Tilnærminger for forsterkningslæring i virkelige miljøer
Leksjon 04
- Håndtering av sparsomme belønninger og krevende utforskning
- Implementer belønningsforming
- Ulemper ved belønningsforming
- Bruke hukommelse for å håndtere delvis observabilitet
- Løse stateless Cartpole med LSTM
- Å overvinne sim-til-virkelighet-gapet
- Introduksjon til multiagent forsterkningslæring
- Trening av flere agenter med RLib
- Fleragents forsterkningslæring
- Frakoblet forsterkningslæring
- Konklusjon og andre avanserte emner
Hvem bør melde seg på dette programmet?
Ambisiøse AI- og maskinlæringsingeniører
Datascientister som ønsker å utvide til forsterkningslæring
Programvareutviklere som er interessert i intelligente systemer og automatisering
Robotikk- og spillutviklingsentusiaster
Studenter og fagpersoner som utforsker avanserte KI-konsepter
For alle som er nysgjerrige på hvordan KI lærer gjennom prøving og feiling
Forutsetninger
- Grunnleggende forståelse av kjerne-Java-programmering
- Kjennskap til objektorienterte programmeringskonsepter (OOP)
- Grunnleggende kunnskap om bruk av et IDE (f.eks. Eclipse eller Spring Tool Suite)
- Generell forståelse av hvordan webapplikasjoner fungerer er nyttig, men ikke nødvendig
Uttalelser
Lisensiering og akkreditering
Dette kurset tilbys i henhold til Partnerprogramavtalen og oppfyller kravene i lisensavtalen
Likestillingspolicy
Kandidater oppfordres til å ta kontakt med AVC for veiledning og støtte gjennom hele tilretteleggingsprosessen.
Ofte stilte spørsmål
Trenger du bedriftsløsninger eller LMS-integrasjon?
Fant du ikke kurset eller programmet som ville være passende for din bedrift? Trenger du LMS-integrasjon? Ta kontakt med oss! Vi er agile og løser alt!