08 Reinforcement II

Jak se pořád neopakovat. Už jsme našli cestu, ale možná někde vedle existuje i lepší.

Tradiční kvíz, tentokrát na výpočet Q hodnot z trénovacích epizod pomocí metody časových diferencí [0.5bodu]

[bez bodoveho hodnoceni]

Práce na úloze Posilované učení.

Reinforecement learning je nyní velmi aktivní oblastí, podporovanou také rychlým pokrokem v oblasti učení hlubokých neuronových sítí. Pár odkazů pro další ínspiraci

• Table tennis robot player. Starting from imitation, then generalizing through RL.
• Robotics@google. Well, they can afford many learning episodes many iterations
• Pong game. Learning to play the very old computer game with the help of AI-Gym. YT Video