Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pengenalan Reinforcement Learning
- Ringkasan reinforcement learning dan aplikasinya
- Perbedaan antara supervised, unsupervised, dan reinforcement learning
- Konsep utama: agen, lingkungan, reward, dan policy
Markov Decision Processes (MDPs)
- Memahami state, aksi, reward, dan transisi state
- Fungsi nilai (value functions) dan Persamaan Bellman
- Dynamic programming untuk menyelesaikan MDPs
Algoritma RL Inti
- Metode tabular: Q-Learning dan SARSA
- Metode berbasis policy: algoritma REINFORCE
- Framework Actor-Critic dan aplikasinya
Deep Reinforcement Learning
- Pengenalan Deep Q-Networks (DQN)
- Experience replay dan target networks
- Policy gradients dan metode deep RL lanjutan
Framework dan Alat RL
- Pengenalan OpenAI Gym dan lingkungan RL lainnya
- Menggunakan PyTorch atau TensorFlow untuk pengembangan model RL
- Pelatihan, pengujian, dan benchmarking agen RL
Tantangan dalam RL
- Menyeimbangkan eksplorasi dan eksploitasi dalam pelatihan
- Menangani reward yang jarang (sparse rewards) dan masalah penugasan kredit (credit assignment)
- Ketidakmampuan skalabilitas dan tantangan komputasi dalam RL
Kegiatan Praktis
- Implementasi algoritma Q-Learning dan SARSA dari nol
- Pelatihan agen berbasis DQN untuk memainkan permainan sederhana di OpenAI Gym
- Fine-tuning model RL untuk kinerja yang lebih baik di lingkungan kustom
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman kuat tentang prinsip dan algoritma machine learning
- Kemahiran dalam pemrograman Python
- Kepribadian dengan neural networks dan framework deep learning
Audience
- Insinyur machine learning
- Spesialis AI
14 Jam
