Основы глубокого обучения с использованием PyTorch

Глубокий подкрепляющий обучение движут некоторые из самых передовых систем принятия решений в современном искусственном интеллекте, но начать может быть нелегко. Этот текстовый курс разлагает сложные математические концепции на ясные, интуитивные объяснения и практические реализации PyTorch. Вы перейдете от понимания основных агентов принятия решений к написанию полных циклов обучения с глубоким усилением, приобретая уверенность в структуре нейронных сетей для оценки политики и ценности, взаимодействия с окружающей средой и отладки процессов обучение. Что вы узнаете: Понимание основных терминов обучения с подкреплением, включая марковские процессы принятия решений, состояния, действия и вознаграждения; Реализация основных табличных методов, таких как Q-обучение, перед переходом к подходам глубокого обучения; Создание глубоких Q-сетей с нуля с использованием современных шаблонов проектирования PyTorch; Применение градиента политики Методы обучения агентов в непрерывных и дискретных пространствах действий; Структурировать чистые, читаемые циклы обучения, которые управляют компромиссами исследования-использования; Отлаживайте и оптимизируйте свои модели PyTorch с помощью стандартных методов манипулирования тензорами. Курс начинается с основных теоретических определений и основополагающих концепций, а затем постепенно знакомит вас с написанием взаимодействий агент-окружение. Затем вы изучите архитектуры глубоких сетей, проанализируете фрагменты кода, которые демонстрируют, как стабилизировать обучение. Этот курс предназначен для разработчиков программного обеспечения, энтузиастов науки данных и студентов, которые впервые знакомятся с обучением с подкреплением, но имеют базовое знание Python. Не требуется предыдущий опыт работы с глубоким обучением или продвинутой математикой. Начните читать сегодня, чтобы создать свои первые интеллектуальные агенты принятия решений с помощью PyTorch.