|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/reinforcement_learning_principiante_maestro_1/
课程评论：没有评论
### Coursera课程《Reinforcement Learning de cero a maestro - IA en Python (ES)》内容摘要 本课程是**最全面的西班牙语强化学习（Reinforcement Learning）课程**。它将带您深入了解现代人工智能的三大范式之一——强化学习的基础知识。您将从零开始**实现适应性算法**，通过经验解决控制任务。此外，您还将学习如何将这些算法与**深度学习（Deep Learning）和神经网络技术相结合**，形成**深度强化学习（Deep Reinforcement Learning）**领域。 本课程是“Reinforcement Learning 从初学者到精通”系列的第一门，旨在为您打下坚实的基础，使您能够理解和学习未来不断涌现的新算法。它还将为您后续更深入地学习强化学习各个分支和更高级算法做好准备。 课程**侧重于实践技能发展**。在学习了每种方法族最重要的概念后，您将**从零开始在代码笔记（notebooks）中实现一种或多种算法**。 课程分为三个部分，涵盖以下主题： **第一部分 (表格方法 - Métodos tabulares):** * 马尔可夫决策过程 (Proceso de decisión de Markov) * 动态规划 (Programación dinámica) * 蒙特卡洛方法 (Métodos Monte Carlo) * 时间差分方法 (Métodos de diferencias temporales - SARSA, Q-Learning) * n步自举法 (Bootstrapping en n pasos) **第二部分 (适应连续状态空间 - Adaptación a espacios de estados continuos):** * 状态聚合 (Agregación de estados) * 瓦片编码 (Tile Coding) **第三部分 (深度强化学习 - Deep Reinforcement Learning):** * 深度SARSA (Deep SARSA) * 深度Q学习 (Deep Q-Learning) * REINFORCE * 优势Actor-Critic / A2C (Advantage Actor-Critic)
Este es el curso más completo de Reinforcement Learning en español. En él conocerás los fundamentos del Reinforcement Learning (aprendizaje por refuerzo), uno de los tres paradigmas de la inteligencia artificial moderna. En él implementarás desde cero algoritmos adaptativos que resuelven tareas de control en base a la experiencia. También aprenderás a combinar estos algoritmos con técnicas de Deep Learning (aprendizaje profundo) y redes neuronales, dando lugar a la rama conocida como Deep Reinforcement Learning (aprendizaje por refuerzo profundo).Este curso es el primero de la serie "Reinforcement Learning de principiante a maestro" y te dará las bases necesarias para que seas capaz de comprender nuevos algoritmos a medida que vayan apareciendo. También te preparará para los siguientes cursos de esta serie, en los que profundizaremos mucho más en distintas ramas del Reinforcement Learning y veremos algunos de los algoritmos más avanzados que existen.El curso está enfocado a desarrollar habilidades prácticas. Por eso, después de conocer los conceptos más importantes de cada familia de métodos, implementaremos uno o más de sus algoritmos en libretas de código, desde cero.Este curso está dividido en tres partes y abarca los siguientes temas:Parte 1 (Métodos tabulares):- Proceso de decisión de Markov- Programación dinámica (dynamic programming)- Métodos Monte Carlo (Monte Carlo methods)- Métodos de diferencias temporales (SARSA, Q-Learning)- Bootstrapping en n pasosParte 2 (Adaptación a espacios de estados continuos):- Agregación de estados- Tile CodingParte 3 (Deep Reinforcement Learning):- Deep SARSA- Deep Q-Learning- REINFORCE- Advantage Actor-Critic / A2C (método actor crítico por ventaja)
