Table of Contents
08 Reinforcement II
Jak se pořád neopakovat. Už jsme našli cestu, ale možná někde vedle existuje i lepší.
Kvíz I
- tradiční kvíz, tentokrát na výpočet Q hodnot z trénovacích epizod pomocí metody časových diferencí
- bodovaný, bonusových 0.5bodu
- řešení odevzdat do BRUTE do úlohy lab08quiz, do půlnoci dne, kdy běží dané cvičení
- formát: textový soubor, fotka řešení na papíře, pdf - co Vám nejlépe vyhovuje a dokážeme to přečíst
- správné řešení prodiskutujeme na příštím cvičení
Zadání kvíz I
Kvíz II - Analýza vlivu discount faktoru na určování policy
- vysvětlení na příkladu, on-line výuka
- bez bodoveho hodnoceni
- prezentace Discount factor example
Samostatná práce
Práce na úloze Markovské rozhodovací procesy.
Můžete postupně začít pracovat na úloze Posilované učení.
Reinforcement learning plus
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
