Reinforcement Learning voor AI-agents Training Cursus

Inleiding tot Reinforcement Learning

• Overzicht van reinforcement learning en toepassingen ervan
• verschillen tussen supervised, unsupervised en reinforcement learning
• Belangrijke concepten: agent, omgeving, beloningen en beleid

Markov Decision Processes (MDP's)

• Verstaan van statussen, acties, beloningen en overgangen tussen statussen
• Waard functies en de Bellman-vergelijking
• Dynamisch programmeren voor het oplossen van MDP's

Kernalgoritmen voor RL

• Tabulaire methoden: Q-Learning en SARSA
• Op beleid gebaseerde methoden: REINFORCE-algoritme
• Actor-Critic-frameworks en toepassingen ervan

Deep Reinforcement Learning

• Inleiding tot Deep Q-Networks (DQN)
• Experience replay en doelnetwerken
• Beleidgradinten en geavanceerde deep RL-methoden

RL-frameworks en -tools

• Inleiding tot OpenAI Gym en andere RL-omgevingen
• Gebruik van PyTorch of TensorFlow voor de ontwikkeling van RL-modellen
• Trainen, testen en benchmarken van RL-agents

Uitdagingen in RL

• Verkenning en exploitatie in balans houden tijdens het trainen
• Omgaan met schrale beloningen en credit assignment-problemen
• Schaalbaarheid en computatieve uitdagingen in RL

Praktijkactiviteiten

• Implementatie van Q-Learning- en SARSA-algoritmen vanaf het begin
• Trainen van een DQN-gebaseerde agent om een simpel spel in OpenAI Gym te spelen
• Fijnafstellen van RL-modellen voor verbeterde prestaties in aangepaste omgevingen

Samenvatting en vervolgstappen