آموزش مبانی یادگیری تقویت‌شده (Reinforcement Learning) - آخرین آپدیت

به دوره خوش آمدید! Welcome to the Course!

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• آشنایی با مدرسان Meet your instructors!

• نقشه راه تخصص شما Your Specialization Roadmap

مقدمه‌ای بر تصمیم‌گیری متوالی An Introduction to Sequential Decision-Making

• تصمیم‌گیری متوالی با بازخورد ارزیابی Sequential Decision Making with Evaluative Feedback

• یادگیری مقادیر اقدام Learning Action Values

• تخمین تدریجی مقادیر اقدام Estimating Action Values Incrementally

• توازن بین اکتشاف و بهره‌برداری چیست؟ What is the trade-off?

• مقادیر اولیه خوش‌بینانه Optimistic Initial Values

• انتخاب اقدام بر اساس حد بالای اطمینان (UCB) Upper-Confidence Bound (UCB) Action Selection

• جاناتان لنگفورد: Bandits متنی برای یادگیری تقویت‌شده در دنیای واقعی Jonathan Langford: Contextual Bandits for Real World Reinforcement Learning

• خلاصه هفته اول Week 1 Summary

فرآیندهای تصمیم‌گیری مارکوف Markov Decision Processes

• فرآیندهای تصمیم‌گیری مارکوف Markov Decision Processes

• مثال‌هایی از MDPها Examples of MDPs

• هدف یادگیری تقویت‌شده The Goal of Reinforcement Learning

• مایکل لیتمن: فرضیه پاداش Michael Littman: The Reward Hypothesis

• وظایف مستمر Continuing Tasks

• مثال‌هایی از وظایف اپیزودیک و مستمر Examples of Episodic and Continuing Tasks

• خلاصه هفته دوم Week 2 Summary

توابع مقدار و معادلات بلمن Value Functions & Bellman Equations

• تعیین سیاست‌ها Specifying Policies

• توابع مقدار Value Functions

• ریچ ساتون و اندی بارتو: تاریخچه کوتاهی از RL Rich Sutton and Andy Barto: A brief History of RL

• استخراج معادله بلمن Bellman Equation Derivation

• چرا معادلات بلمن؟ Why Bellman Equations?

• سیاست‌های بهینه Optimal Policies

• توابع مقدار بهینه Optimal Value Functions

• استفاده از توابع مقدار بهینه برای دستیابی به سیاست‌های بهینه Using Optimal Value Functions to Get Optimal Policies

• خلاصه هفته سوم Week 3 Summary

برنامه‌نویسی پویا Dynamic Programming

• ارزیابی سیاست در مقابل کنترل Policy Evaluation vs. Control

• ارزیابی تکراری سیاست Iterative Policy Evaluation

• بهبود سیاست Policy Improvement

• تکرار سیاست (Policy Iteration) Policy Iteration

• انعطاف‌پذیری چارچوب تکرار سیاست Flexibility of the Policy Iteration Framework

• کارایی برنامه‌نویسی پویا Efficiency of Dynamic Programming

• وارن پاول: برنامه‌نویسی پویای تقریبی برای مدیریت ناوگان (کوتاه) Warren Powell: Approximate Dynamic Programming for Fleet Management (Short)

• وارن پاول: برنامه‌نویسی پویای تقریبی برای مدیریت ناوگان (بلند) Warren Powell: Approximate Dynamic Programming for Fleet Management (Long)

• خلاصه هفته چهارم Week 4 Summary

• تبریکات! Congratulations!