Традиционные machine learning алгоритмы используются для прогнозирования и классификации. Reinforcement learning через обучение агентов, принятие решений, увеличить накопленные бонусы. В этом, конечно, понимание Алгоритмов Reinforcement Learning, выучить основы reinforcement learning алгоритмов, RL-систематика, политики и конкретных методов, таких как Q-learning и поиск АГЕНТОВ. Первый, вы откроете для себя, найти цель reinforcement learning;, оптимальную политику, которая позволяет операторам максимально правильные решения, долгосрочные награды. Вы узнаете, как модель среды, так что РЛ калькулятор алгоритмы, хорошо ведут. Следующий, вы ' ll исследовать динамическое программирование-важная методика, которая используется для кэширования промежуточных результатов, которые для упрощения расчетов сложных задач. Вы поймете, и политика в поисках методов, как различие во времени обучения (Q-learning) и АГЕНТОВ, которые помогают приблизиться, чтобы обеспечить оптимальную стратегию для вашего RL-алгоритм. В конце концов вы будете строить reinforcement learning платформ, которые позволят изучения, прототипирования и разработки политики, а также работа с Q-обучения АГЕНТОВ и методов на OpenAI тренажерный зал. В конце этого курса вы должны иметь твердое понимание о от reinforcement learning методы, Q-learning и АГЕНТОВ и в состоянии реализовать основные RL-алгоритмы.

DOWNLOAD






turbobit

---