Practical Reinforcement Learning in Python: Build Intelligent AI Agents (dalam bahasa Inggris).

Bagaimana agen AI modern belajar bermain game, menjelajahi lingkungan, dan membuat keputusan yang rumit? Pembelajaran penguatan adalah teknologi utama yang mendorong terobosan-terobosan ini, sehingga sistem dapat belajar dari percobaan dan kesalahan seperti yang dilakukan manusia. Kursus berbasis teks ini memandu Anda dari prinsip-prinsip dasar algoritma pengambilan keputusan hingga membangun agen cerdas Anda sendiri. Anda akan belajar bagaimana mendefinisikan keadaan, imbalan, dan tindakan, dan bagaimana menggabungkan jaringan saraf dengan teknik pembelajaran penguatan untuk menyelesaikan tugas-tugas kompleks di lingkungan yang disesuaikan. Apa yang akan kau pelajari: - Mengerti dasar matematika inti dari pembelajaran penguatan, termasuk Proses Keputusan Markov dan struktur imbalan. - Implementasi metode tabular klasik seperti Q-Learning dan SARSA dari awal menggunakan Python. - Bangun jaringan saraf dalam menggunakan TensorFlow dan Keras modern untuk mendekati fungsi nilai kompleks. - Membuat Deep Q-Networks (DQN) dan Double DQNs untuk memecahkan masalah pengambilan keputusan dimensi tinggi. - Desain lingkungan pelatihan khusus menggunakan perpustakaan Gymnasium modern untuk menguji agen cerdas Anda. - Terapkan praktik terbaik dalam tuning hyperparameter dan evaluasi model untuk memastikan latihan berjalan stabil. Anda akan mulai dengan menjelajahi konsep dan definisi inti sebelum bergerak langkah demi langkah melalui implementasi manual algoritma klasik, akhirnya berskala hingga integrasi pembelajaran mendalam dan desain lingkungan yang disesuaikan. Kursus ini dirancang untuk pemula yang tertarik pada kecerdasan buatan dan pemrograman Python; tidak diperlukan pengalaman sebelumnya dengan machine learning atau jaringan saraf. Mulai membaca hari ini untuk membangun agen AI otonom pertama Anda dari dasar.