Книги и литература
Подборка курсов и обучающих материалов по направлению
Все рубрики
Софт, программы, скрипты
Подборка курсов и обучающих материалов по направлению
Все рубрики
По авторам
Подборка курсов и обучающих материалов по направлению
Все рубрики
Загрузка списка…
По школам
Подборка курсов и обучающих материалов по направлению
Все рубрики
Загрузка списка…
Бухгалтерия и финансы
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Отдых и путешествия
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Схемы заработка
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Соблазнение и пикап
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Строительство и ремонт
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Музыка
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Авто и мото
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Образование и репетиторство
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Другие тематики
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
0Корзина Закладки 0

Укажите в поиске ключевое слово / автора / название курса

OTUS - Игорь Стурейко, Андрей Канашов → Reinforcement Learning

OTUS - Игорь Стурейко, Андрей Канашов → Reinforcement Learning

Артикул: 14084 В наличии

Автор курса:

Категория: Инвестиции, Трейдинг, Криптовалюта / Программирование / Алгоритмическая торговля / Data Science и аналитика

Дата выхода: 2023

Продажник от автора: Перейти на продажник

Вид доступа: Облако Mail


179,00 ₽

Пришлите ссылку — проверим предложение и ответим на почту.

Заметки Kursberry · материал №14084

Что учесть при выборе

  • Выпуск: 2023
  • Доступ: Облако Mail

Подготовка к практике

Сверьте язык, версии инструментов и уровень подготовки с описанием. До покупки проверьте, есть ли код и задания: они помогут повторять примеры и собирать свой проект.

Доступ и версия

Для этого материала указан доступ: Облако Mail. Проверьте, сможете ли вы открыть этот сервис на своём устройстве и достаточно ли места для сохранения файлов.

Условия получения материалов — в инструкции по покупке. Вопросы о составе: admin@kursberry.com.

О материале

Программа и содержание

Для кого этот курс?
  • Для ML-инженеров, которые хотят научиться внедрять RL в продакшн: оптимизация систем, алгоритмический трейдинг, управление ресурсами. А также стремятся к эффективному развертыванию и масштабированию RL-моделей
  • Для специалистов по Data Science, которые используют RL для задач, где классический ML неэффективен — адаптивные системы, динамические среды. А также интересуются комбинацией RL с NLP, рекомендательными системами
  • Для Fullstack-разработчиков, которые хотят освоить RL для создания интеллектуальных приложений — от игровых AI до автоматизации процессов или перейти в ML-направление
  • Для системных аналитиков, которые изучают RL, чтобы проектировать AI-решения для бизнеса: автоматизация процессов, логистика, финансы. А также хотят понимать возможности и ограничения RL для принятия решений
  • Для Deep Learning инженеров, которые работают с Deep RL в сложных доменах — робототехника, игровые AI, компьютерное зрение, и нацелены на research и передовые гибридные архитектуры
Необходимые знания:
  • базовое знакомство с Python
  • базовые знания линейной алгебры (матрицы, векторы, градиентный спуск)
  • базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)
Что такое Reinforcement Learning?
Reinforcement Learning — это одна из трех основных парадигм машинного обучения, в котором агент учится взаимодействовать с окружающей средой методом проб и ошибок.
Reinforcement Learning можно использовать в разных областях:
  • В играх, чтобы создавать ботов, которые могут победить даже лучших игроков.
  • В робототехнике, чтобы роботы могли учиться и улучшать свои навыки без постоянного программирования.
  • В финансах, чтобы создавать алгоритмы, которые могут сами покупать и продавать активы и приносить прибыль.
  • В электронной коммерции, чтобы создавать системы, которые предлагают товары, которые нравятся покупателям.
  • В промышленности, чтобы оптимизировать работу заводов и снизить расход энергии.
Вы научитесь:
  • Понимать, как работает обучение с подкреплением, и применять классические алгоритмы типа Q-learning, SARSA и Monte Carlo.
  • Создавать модели окружения и обучать агентов RL для решения задач в ваших условиях.
  • Использовать нейронные сети в RL и применять алгоритмы Deep RL, от самых простых, таких как DeepQ-Network (DQN) до самых сложных, таких как Proximal policy optimization (PPO).
  • Использовать продвинутые методы RL, такие как оптимальное управление, обучение со скользящим горизонтом и Model-based RL, для сложных задач.
  • Решать конкретные задачи с помощью RL и понимать, как это работает на практике.
Вы сможете:
  • Создавать ботов и NPC для игр, которые будут обучаться и подстраиваться под игрока, делая игру интереснее и неожиданнее.
  • Делать роботов, которые смогут сами ориентироваться в пространстве, двигать предметы и выполнять задачи в разных условиях.
  • Создавать алгоритмы, которые будут автоматически торговать на финансовых рынках, анализируя данные и принимая решения о покупке и продаже, чтобы заработать побольше и не рисковать.
  • Делать персонализированные рекомендации, которые будут учитывать вкусы пользователей и предлагать им подходящие товары, услуги или контент.
  • Решать разные задачи по оптимизации и управлению в разных сферах: от производства до энергопотребления. RL поможет автоматизировать процессы и сделать их эффективнее.
Программа

Введение в Reinforcement Learning
Модуль начинается с общего введения, охватывает ключевые особенности обучения с подкреплением, основные алгоритмы. Вы рассмотрите, как построить модель окружения и агента, и примените свои знания на простых сценариях.
Тема 1: Знакомство с Reinforcement Learning
Тема 2: Ключевые понятия RL: агент, среда, награда, политика. Построение среды
Тема 3: Основные алгоритмы RL: Value based
Тема 4: Основные алгоритмы RL: Policy based

Deep Reinforcement Learning
В этом модуле вы рассмотрите введение в глубокое обучение с подкреплением, которое объясняет значимость глубоких Q-сетей, представляет алгоритмы на основе политик. Затем объединяет методы на основе политик и значений с использованием алгоритма Actor-Critic. И, наконец, охватывает то, как нейронные сети могут использоваться для аппроксимации функций вознаграждения и политик.
Тема 1: Введение в Deep Reinforcement Learning
Тема 2: Deep Q-Network (DQN) алгоритм
Тема 3: Deep Policy Gradient (PG) алгоритм
Тема 4: Actor-Critic алгоритм
Тема 5: TRPO -> PPO
Тема 6: DDPG -> TD3 -> LSTM-TD3

Advanced Reinforcement Learning
Модуль содержит более сложные темы и глубже раскрывает пройденный материал. Здесь рассматривается применение алгоритмов к более сложным ситуациям, например наличие фиксированных правил (model-based) или взаимодействие нескольких агентов между собой для достижения общей темы.
Тема 1: Обучение с использованием модели среды (model-based rl)
Тема 2: Model-based, часть 2
Тема 3: Иерархическое обучение с подкреплением
Тема 4: Выбор темы и организация проектной работы
Тема 5: Многоагентное обучение и кооперация агентов
Тема 6: Трансформеры в RL: decision transformers и action transformers

Применение RL в реальных задачах
Модуль посвящен обзору практических примеров применения RL. Вы познакомитесь с игровой индустрией и рассмотрите какие задачи здесь можно решать с помощью RL. Поговорите о робототехнике, поймете какое применение RL находит в рекомендательных системах и более подробно рассмотрите финансовые модели на примере задачи балансировки портфеля активов и задачи кредитного скоринга.
Тема 1: Применение RL в игровой индустрии
Тема 2: Применение RL в робототехнике
Тема 3: RL в рекомендательных системах
Тема 4: RL в задаче скоринга
Тема 5: Применение RL в управлении финансовым портфелем

Проектная работа
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, над чем интересно поработать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.
Тема 1: Консультация по проектам и домашним заданиям
Тема 2: Предзащита
Тема 3: Защита проектных работ. Подведение итогов курса

Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Игорь Стурейко. (к.ф.-м.н.) Teamlead, главный инженер. FinTech
Андрей Канашов. Senior Data Scientist. Самолет
Сергей Доронин. Ведущий инженер-программист. ЗАО Астраханские Цифровые Технологии
Анастасия Капралова. CEO и соотнователь IT компании
Анатолий Чудаков. Team Lead. Онлайн-кинотеатр Wink

ИСТОЧНИК

СКАЧАТЬ

Знакомство с материалом «OTUS - Игорь Стурейко, Андрей Канашов → Reinforcement Learning»

Kursberry собрал сведения об этом материале в одной карточке: программу, характеристики и доступные варианты. Он относится к направлению «Инвестиции, Трейдинг, Криптовалюта / Программирование / Алгоритмическая торговля / Data Science и аналитика / OTUS». Автор или образовательный проект — OTUS. В качестве даты выхода указано: 2023.

Парная версия для данного товара не указана. Если вам нужны конкретные характеристики записи, задайте вопрос до покупки.

Для открытия материала указан Облако Mail. Способ просмотра зависит от того, какие файлы входят в выбранный вариант.

Похожие курсы

Другие доступные материалы
Помощь перед покупкой

Вопросы и ответы

Как получить курс?

Добавьте курс в корзину или нажмите «Купить», выберите удобный способ оплаты и завершите заказ. После подтверждения оплаты ссылки на материалы автоматически придут на указанную почту. Авторизованные пользователи также найдут купленные материалы в разделе «Мои покупки».

Подробная инструкция по покупке.

Почему такая цена?

Материалы приобретаются совместно, поэтому стоимость заметно ниже цены автора. Вы получаете запись курса и заявленные материалы для самостоятельного обучения; обратная связь автора обычно не входит, если отдельно не указано обратное.

Нашли дешевле?

Пришлите нам ссылку на более дешёвое предложение — проверим его и постараемся сделать цену ниже. .

Где будет доступ к курсу?

Для этого товара указан вид доступа: Облако Mail. После оплаты вы получите нужную ссылку или приглашение.

Можно ли скачать материалы?

Если материалы находятся в облачном хранилище, их обычно можно смотреть онлайн или скачать себе. Исключения зависят от формата конкретного курса.

Есть ли гарантия получения?

После подтверждения оплаты выдача происходит автоматически. Если возникнет вопрос с оплатой или доступом, напишите нам в Telegram, через чат на сайте или на admin@kursberry.com. До покупки по запросу можем показать дополнительные скриншоты или фрагмент содержимого.