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
• 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

• p. 101, St 12:45: cv101
• p. 102, St 14:30: cv102
• p. 103, Čt 12:45: cv103
• p. 104, Čt 14:30: cv104
• p. 105, Pá 9:15: cv105

• vysvětlení na příkladu, on-line výuka
• bez bodoveho hodnoceni
• prezentace Discount factor example

Práce na úloze Markovské rozhodovací procesy.

Můžete postupně začít pracovat 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