Hubungi Kami
 Durasi 21 jam

Kerangka Materi

Pengenalan Belajar Robotika

  • Ringkasan machine learning dalam robotika
  • Supervised vs unsupervised vs pembelajaran penguatan
  • Aplikasi RL dalam kontrol, navigasi, dan manipulasi

Dasar-dasar Pembelajaran Penguatan

  • Proses keputusan Markov (MDP)
  • Fungsi kebijakan, nilai, dan reward
  • Kompromi eksplorasi vs eksploitasi

Algoritma RL Klasik

  • Q-learning dan SARSA
  • Metode Monte Carlo dan temporal difference
  • Iterasi nilai dan iterasi kebijakan

Teknik Deep Reinforcement Learning

  • Menggabungkan deep learning dengan RL (Deep Q-Networks)
  • Metode gradien kebijakan
  • Algoritma lanjutan: A3C, DDPG, dan PPO

Lingkungan Simulasi untuk Belajar Robotika

  • Penggunaan OpenAI Gym dan ROS 2 untuk simulasi
  • Membangun lingkungan kustom untuk tugas robotika
  • Evaluasi kinerja dan stabilitas pelatihan

Menerapkan RL dalam Robotika

  • Pembelajaran kebijakan kontrol dan gerak
  • Pembelajaran penguatan untuk manipulasi robotika
  • Pembelajaran penguatan multi-agen dalam robotika kawanan

Optimasi, Penedeploymen, dan Integrasi Dunia Nyata

  • Pengaturan hyperparameter dan pembentukan reward
  • Pemindahan kebijakan yang dipelajari dari simulasi ke realitas (Sim2Real)
  • Penedeploymen model terlatih pada perangkat keras robotika

Rangkuman dan Langkah Berikutnya

Persyaratan

  • Pemahaman tentang konsep machine learning
  • Pengalaman dengan pemrograman Python
  • Kepedulian tentang robotika dan sistem kontrol

Audience

  • Insinyur machine learning
  • Peneliti robotika
  • Pengembang yang membangun sistem robotika cerdas

Jumlah Peserta


Harga per Peserta

Testimoni (2)

Kursus Mendatang

Kategori Terkait