====== 08 Reinforcement II ======
Jak se pořád neopakovat. Už jsme našli cestu, ale možná někde vedle existuje i lepší.


===== Kvíz I =====
  * tradiční kvíz, tentokrát na přímý výpočet Q hodnot z trénovacích epizod

/*  
  * bodovaný, bonusových 0.5bodu
  * řešení odevzdat do BRUTE do úlohy **lab07quiz**, 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 ====
  * p. 101, St 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210331-090052_directqevaluation_cv101.pdf | cv101}}
  * p. 102, St 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210331-090213_directqevaluation_cv102.pdf | cv102}}
  * p. 103, Čt 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:directqevaluation_p103_cz.pdf |cv103}}
  * p. 104, Čt 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:directqevaluation_104.pdf | Direct Q Evaluation Cviceni 104}}
  * p. 105, Pá 9:15: {{ :courses:b3b33kui:cviceni:program_po_tydnech:directqevaluation_p105_cz.pdf |cv105}}
*/

===== Kvíz II - Analýza vlivu discount faktoru na určování policy =====

  * vysvětlení na příkladu
  * bez bodoveho hodnoceni

/*
  * prezentace {{ :courses:b3b33kui:cviceni:program_po_tydnech:discount_factor_example.pdf | Discount factor example}}
*/
> {{page>courses:b3b33kui:internal:quizzes#Analýza vlivu discount faktoru na určování policy}}


===== Samostatná práce =====

Práce na úloze [[courses:b3b33kui:cviceni:sekvencni_rozhodovani:mdps|Markovské rozhodovací procesy]]. 

Můžete postupně začít pracovat na úloze [[courses:b3b33kui:cviceni:sekvencni_rozhodovani:rl|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

  * [[https://www.youtube.com/watch?v=SH3bADiB7uQ|Table tennis robot player]]. Starting from imitation, then generalizing through RL.
  * [[https://research.google.com/teams/brain/robotics/|Robotics@google]]. Well, they can afford many learning episodes many iterations ;-)
  * [[https://medium.com/@dhruvp/how-to-write-a-neural-network-to-play-pong-from-scratch-956b57d4f6e0|Pong game]]. Learning to play the very old computer game with the help of AI-Gym. [[https://www.youtube.com/watch?time_continue=6&v=YOW8m2YGtRg|YT Video]]