Uczenie się wzmacniające dla badań operacyjnych

Połączenie uczenia wzmacniającego z badaniami operacyjnymi pozwala szkolić inteligentnych agentów, którzy dostosowują się do zmieniających się warunków i rozwiązują złożone problemy związane z podejmowaniem decyzji. Ten kurs tekstowy prowadzi od podstawowych koncepcji matematycznych procesów decyzyjnych Markova do budowania praktycznych rozwiązań Pythona do planowania, zarządzania zapasami i routingu pojazdów.Nauczysz się formułować wyzwania związane z badaniami operacyjnymi jako środowiska uczenia się wzmacniania i wdrażać algorytmy, aby je rozwiązać. Czego się nauczysz: Zrozum podstawowe pojęcia procesów decyzyjnych Markova (MDPs) i programowania dynamicznego;Sformułuj niestandardowe problemy badawcze w standardowych środowiskach uczenia się wzmacniania przy użyciu nowoczesnych konwencji gimnazjalnych;Wdrażaj algorytmy gradientu Q-learning i polityki od podstaw za pomocą czystego, nowoczesnego Pythona;Zastosuj Ocenić wydajność agenta za pomocą nowoczesnych wzorców walidacji i technik kształtowania nagród. Zaczniesz od podstawowych definicji i podstawowej teorii decyzji, zanim przejdziesz do praktycznych fragmentów kodu Pythona. Kurs przechodzi od prostych przykładów świata siatki do złożonych, wielowartościowych scenariuszy badawczych.Zaprojektowany dla początkujących do nauki wzmacniania, ten kurs wymaga tylko podstawowej wiedzy o programowaniu Pythona i znajomości algebry wprowadzającej. Zacznij uczyć się, jak rozwiązywać złożone problemy optymalizacji za pomocą inteligentnych agentów już dziś.