La Specializations sur l'apprentissage par renforcement se compose de 4 cours explorant la puissance des systèmes d'apprentissage adaptatifs et de l'intelligence artificielle (IA).
L'exploitation du plein potentiel de l'intelligence artificielle nécessite des systèmes d'apprentissage adaptatifs. Apprenez comment les solutions d'apprentissage par renforcement (AR) aident à résoudre les problèmes du monde réel par l'interaction essai-erreur en mettant en œuvre une solution AR complète du début à la fin.
À la fin de cette Specializations, les apprenants comprendront les fondements d'une grande partie de l'intelligence artificielle (IA) probabiliste moderne et seront prêts à suivre des cours plus avancés ou à appliquer des outils et des idées d'IA à des problèmes du monde réel. Ce contenu se concentrera sur des problèmes à "petite échelle" afin de comprendre les fondements de l'apprentissage par renforcement, tel qu'il est enseigné par des experts de renommée mondiale à la Faculté des sciences de l'Université de l'Alberta.
Les outils appris dans cette Specializations peuvent être appliqués au développement de jeux (IA), à l'interaction avec les clients (comment un site Web interagit avec les clients), aux assistants intelligents, aux systèmes de recommandation, à la chaîne d'approvisionnement, au contrôle industriel, à la finance, aux oléoducs et gazoducs, aux systèmes de contrôle industriel, et plus encore.
Projet d'apprentissage appliqué
Grâce à des devoirs de programmation et des quiz, les étudiants vont.. :
Construire un système d'apprentissage par renforcement qui sait comment prendre des décisions automatisées.
Comprendre comment l'apprentissage par renforcement est lié et s'inscrit dans le cadre plus large de l'apprentissage automatique, de l'apprentissage profond, de l'apprentissage supervisé et non supervisé.
Comprendre l'espace des algorithmes d'apprentissage par renforcement (apprentissage par différence temporelle, Monte Carlo, Sarsa, Q-learning, Policy Gradient, Dyna, et plus encore).
Comprendre comment formaliser votre tâche comme un problème de RL, et comment commencer à mettre en œuvre une solution.