Séances de cours associées à Renforcement de l'apprentissage : Q-Learning

Renforcement de l'apprentissage : Q-Learning

Couvre l'apprentissage Q en renforçant l'apprentissage, en explorant les valeurs d'action, les politiques et l'impact sociétal des algorithmes.

Deep Learning: Pas de théorie du déjeuner gratuit et biais inductifs

Couvre le No Free Lunch Theorem et le rôle des biais inductifs dans l'apprentissage profond et l'apprentissage par renforcement.

Réseaux neuronaux : apprentissage multicouche

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.

Bras à balles: référence de manipulation robotique

Introduit BulletArm, un référentiel de manipulation robotique open source et un cadre d'apprentissage couvrant les objectifs de conception, les tâches de référence et les algorithmes d'apprentissage.

Intelligence artificielle socialement consciente pour la mobilité du dernier kilomètre

Explore l'IA socialement consciente pour la mobilité des derniers milles, se concentrant sur la compréhension des étiquettes sociales, l'anticipation des comportements et la prévision des mouvements de foule.

Apprentissage par renforcement profond: mini-bateaux et méthodes politiques

Discute des méthodes d'apprentissage par renforcement profond, en se concentrant sur les mini-batchs et les implications des techniques de formation on-policy et off-policy.

Prévisions de trajectoire dans les véhicules autonomes

Explore la prévision des trajectoires dans les véhicules autonomes, en mettant l'accent sur les modèles d'apprentissage profond pour prédire les trajectoires humaines dans les scénarios de transport socialement conscients.

Ensachage : méthode de régularisation en apprentissage profond

Explore l'ensachage en tant que méthode de régularisation dans l'apprentissage en profondeur, en formant plusieurs variantes de modèles sur différents sous-ensembles de données pour améliorer la généralisation.

Apprentissage profond pour les véhicules autonomes: modèles prédictifs

Explore les modèles prédictifs et les traceurs pour les véhicules autonomes, couvrant la détection d'objets, les défis de suivi, le suivi en réseau neuronal et la localisation des piétons en 3D.

MuZero: Modèle de planification et d'apprentissage

Couvre MuZero, un modèle qui apprend à prédire les récompenses et les actions de manière itérative, réalisant des performances de pointe dans les jeux de société et les jeux vidéo Atari.

Fondements de l'apprentissage profond: Aperçu de l'architecture transformatrice

Couvre les concepts fondamentaux de l'apprentissage profond et de l'architecture Transformer, en se concentrant sur les réseaux neuronaux, les mécanismes d'attention et leurs applications dans les tâches de modélisation de séquence.

Science environnementale computationnelle : Observation de la Terre

Explore les sciences informatiques environnementales et l'observation de la Terre grâce à des modèles d'apprentissage approfondi précis pour la surveillance, l'intégration des connaissances sur le domaine dans les modèles d'espèces et l'amélioration de la recherche d'images.

Introduction générale aux réseaux de neurones artificiels: partie 3

Couvre l'apprentissage par des récompenses dans l'apprentissage par renforcement profond sans détails mathématiques.

Apprendre avec les réseaux neuronaux profonds

Explore le succès et les défis de l'apprentissage profond, y compris le suréquipement, la généralisation et l'impact sur divers domaines.

Optimisation des réseaux neuraux

Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.

Systèmes de connaissances non conceptuels: transfert de style et traduction d'images

Explore le transfert de style, la traduction d'images, l'apprentissage auto-supervisé, la prédiction vidéo et la génération de description d'images à l'aide de techniques d'apprentissage en profondeur.

Méthodes de gradient de politique: apprentissage par l'action directe dans l'apprentissage par renforcement

Couvre les méthodes de gradient de politique, en mettant l'accent sur l'apprentissage par l'action directe et l'optimisation des récompenses dans l'apprentissage par renforcement.

Machine Learning : Fonctionnalités et sélection de modèles

Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.

Réseaux neuronaux convolutionnels

Introduit des réseaux neuronaux convolutionnels (RCN) pour les véhicules autonomes, couvrant l'architecture, les applications et les techniques de régularisation.

Apprentissage par renforcement: problèmes de bandits

Couvre la convergence dans l'attente de la valeur Q dans l'apprentissage par renforcement.

Renforcement de l'apprentissage : Q-Learning

Chattez avec Graph Search