บทนำสู่ Reinforcement Learning: ตั้งแต่ Q-Learning จนถึง Deep RL

Reinforcement learning กำลังขับเคลื่อนความก้าวหน้าอันน่าตื่นเต้นที่สุดบางส่วนในปัญญาประดิษฐ์ ตั้งแต่เอเจนต์ที่เล่นเกมไปจนถึงระบบการตัดสินใจแบบอัตโนมัติ การทำความเข้าใจว่าเอเจนต์เรียนรู้ผ่านการลองผิดลองถูกได้อย่างไรเป็นสิ่งสำคัญสำหรับผู้ปฏิบัติงานด้าน machine learning สมัยใหม่ทุกคน หลักสูตรที่เน้นข้อความนี้จะนำคุณตั้งแต่รากฐานทางคณิตศาสตร์หลักของ Reinforcement Learning ไปจนถึงการนำอัลกอริทึม Deep RL ที่ใช้งานได้จริงไปใช้ คุณจะได้รับความเข้าใจที่มั่นคงทั้งในเชิงสัญชาตญาณและคณิตศาสตร์ว่าเอเจนต์โต้ตอบกับสภาพแวดล้อมเพื่อเพิ่มรางวัลสูงสุดได้อย่างไร เตรียมพร้อมให้คุณรับมือกับความท้าทายในการควบคุมและการตัดสินใจในโลกแห่งความเป็นจริง สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจแนวคิดพื้นฐานของ RL รวมถึง Markov Decision Processes, รางวัล (rewards) และฟังก์ชันมูลค่า (value functions) - นำวิธีการแบบตารางแบบคลาสสิก เช่น Q-learning และ SARSA ไปใช้โดยใช้โค้ด Python ที่สะอาดตา - ประยุกต์ใช้เทคนิค deep learning กับ RL โดยการสำรวจ Deep Q-Networks และวิธีการ policy gradient - กำหนดค่าสภาพแวดล้อมการจำลองมาตรฐานเพื่อฝึกฝนและประเมินเอเจนต์อัจฉริยะของคุณ - สำรวจการประยุกต์ใช้ Reinforcement Learning สมัยใหม่ รวมถึง Reinforcement Learning from Human Feedback ที่ใช้ใน large language models หลักสูตรนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและกรอบงานทางคณิตศาสตร์ของการตัดสินใจ ก่อนที่จะนำคุณไปสู่อัลกอริทึมแบบคลาสสิกและสถาปัตยกรรม deep reinforcement learning สมัยใหม่ คุณจะได้เรียนรู้จากการอ่านคำอธิบายโดยละเอียด การวิเคราะห์การนำโค้ดไปใช้ทีละขั้นตอน และการศึกษากรณีการใช้งานจริง หลักสูตรนี้ออกแบบมาสำหรับ data scientists, ผู้ที่ชื่นชอบ machine learning และ software developers ที่เพิ่งเริ่มต้นกับ Reinforcement Learning แต่มีความคุ้นเคยพื้นฐานกับ Python และแนวคิด machine learning ทั่วไป เริ่มสร้างระบบอัจฉริยะที่เรียนรู้ด้วยตนเองได้ตั้งแต่วันนี้