آموزش پیش‌بینی و کنترل با تقریب تابع - آخرین آپدیت

خوش‌آمدگویی به دوره! Welcome to the Course!

• مقدمه دوره ۳ Course 3 Introduction

• آشنایی با مدرسان! Meet your instructors!

پیش‌بینی On-policy با تقریب On-policy Prediction with Approximation

• انتقال به توابع پارامتریک Moving to Parameterized Functions

• تعمیم‌پذیری و تشخیص Generalization and Discrimination

• تبدیل تخمین مقدار به یادگیری نظارت شده Framing Value Estimation as Supervised Learning

• هدف خطای مقدار The Value Error Objective

• معرفی گرادیان کاهشی Introducing Gradient Descent

• مونت‌کارلو گرادیانی برای ارزیابی سیاست Gradient Monte for Policy Evaluation

• تجمیع حالت با مونت‌کارلو State Aggregation with Monte Carlo

• Semi-Gradient TD برای ارزیابی سیاست Semi-Gradient TD for Policy Evaluation

• مقایسه TD و مونت‌کارلو با تجمیع حالت Comparing TD and Monte Carlo with State Aggregation

• دوینا پرکوپ: ساخت دانش برای عامل‌های هوش مصنوعی با یادگیری تقویت شده Doina Precup: Building Knowledge for AI Agents with Reinforcement Learning

• به‌روزرسانی خطی TD The Linear TD Update

• هدف واقعی برای TD The True Objective for TD

• خلاصه هفته اول Week 1 Summary

ساخت ویژگی‌ها برای پیش‌بینی Constructing Features for Prediction

• کدگذاری درشت (Coarse Coding) Coarse Coding

• ویژگی‌های تعمیم‌پذیری کدگذاری درشت Generalization Properties of Coarse Coding

• کدگذاری کاشی (Tile Coding) Tile Coding

• استفاده از کدگذاری کاشی در TD Using Tile Coding in TD

• شبکه عصبی چیست؟ What is a Neural Network?

• تقریب غیرخطی با شبکه‌های عصبی Non-linear Approximation with Neural Networks

• شبکه‌های عصبی عمیق Deep Neural Networks

• گرادیان کاهشی برای آموزش شبکه‌های عصبی Gradient Descent for Training Neural Networks

• استراتژی‌های بهینه‌سازی برای شبکه‌های عصبی Optimization Strategies for NNs

• دیوید سیلور درباره یادگیری عمیق + RL = AI؟ David Silver on Deep Learning + RL = AI?

• مرور هفته دوم Week 2 Review

کنترل با تقریب Control with Approximation

• Sarsa اپیزودیک با تقریب تابع Episodic Sarsa with Function Approximation

• Sarsa اپیزودیک در محیط Mountain Car Episodic Sarsa in Mountain Car

• Expected Sarsa با تقریب تابع Expected Sarsa with Function Approximation

• اکتشاف تحت تقریب تابع Exploration under Function Approximation

• پاداش متوسط: روشی جدید برای فرمول‌بندی مسائل کنترل Average Reward: A New Way of Formulating Control Problems

• ساتیندر سینگ درباره پاداش‌های درونی Satinder Singh on Intrinsic Rewards

• مرور هفته سوم Week 3 Review

گرادیان سیاست Policy Gradient

• یادگیری مستقیم سیاست‌ها Learning Policies Directly

• مزایای پارامترسازی سیاست Advantages of Policy Parameterization

• هدف برای یادگیری سیاست‌ها The Objective for Learning Policies

• قضیه گرادیان سیاست The Policy Gradient Theorem

• تخمین گرادیان سیاست Estimating the Policy Gradient

• الگوریتم Actor-Critic Actor-Critic Algorithm

• Actor-Critic با سیاست‌های Softmax Actor-Critic with Softmax Policies

• نمایش عملی با Actor-Critic Demonstration with Actor-Critic

• سیاست‌های گاوسی برای اکشن‌های پیوسته Gaussian Policies for Continuous Actions

• خلاصه هفته چهارم Week 4 Summary

• تبریکات! پیش‌نمایش دوره ۴ Congratulations! Course 4 Preview