CENG0049 Deep Reinforcement Learning

Genel Bilgi

Dersin Amacı / Hedefi

Derin Takviyeli Öğrenme kursunun amacı, öğrencilere derin öğrenme teknikleriyle birlikte pekiştirmeli öğrenmenin (RL) ilkeleri, algoritmaları ve uygulamaları hakkında kapsamlı bir anlayış sağlamaktır. Ders, öğrencileri karmaşık sıralı karar verme problemlerini çözmek için derin RL algoritmalarını tasarlamak, uygulamak ve dağıtmak için gerekli bilgi ve becerilerle donatmayı amaçlamaktadır.

Dersin İçeriği

Takviyeli Öğrenmeye Giriş, Derin Öğrenmenin Temelleri, Derin Q-Ağları (DQN), Q-Öğrenimi ve değer tabanlı yöntemler, Deneyim tekrarı ve hedef ağları, DQN'ye yönelik uzantılar ve iyileştirmeler (ör. Double DQN, Dueling DQN) konularını kapsar. ), Politika Gradyan Yöntemleri, Yakın Politika Optimizasyonu (PPO), Güven Bölgesi Politikası Optimizasyonu (TRPO), Yakın Politika Optimizasyonu algoritmaları, Keşif ve İstismar, Derin pekiştirmeli öğrenmede keşif, Model Tabanlı Takviyeli Öğrenme, Derin RL'de İleri Düzey Konular, Robotik ve Kontrol için Derin RL, Doğal Dil İşlemede Derin RL, Oyun Oynamada Derin RL, Oyun oynamak için Derin RL aracıları (ör. AlphaGo, AlphaZero), değer işlevi için teknikler oyunlarda tahmin, Monte Carlo yöntemleri ve ağaç arama algoritmaları, Etik ve Toplumsal Hususlar, Araştırma Makaleleri ve Son Gelişmeler.

Dersin Ön Koşulu

Temel programlama, lineer cebir ve olasılık teorisi bilgisi.

Kaynaklar

Sewak, M. (2019). Deep reinforcement learning. Singapore: Springer Singapore.

Notlar

Sutton, Richard S., and Andrew G. Barto. Reinforcement learning: An introduction. MIT press, 2018.

Dersin Öğrenme Çıktıları

Program Öğrenme Çıktıları ile İlişkisi

Haftalık Akış

Öğrenci İş Yükü - AKTS