Reinforcement Learning in Python: Build AI Agents with PyTorch and Gym

Reinforcement learning คือเบื้องหลังสำคัญของรถยนต์ไร้คนขับ AI ที่เล่นเกมได้ และวิทยาการหุ่นยนต์ หากคุณต้องการเข้าใจว่าเครื่องจักรเรียนรู้การตัดสินใจผ่านการลองผิดลองถูกอย่างไร การเชี่ยวชาญแขนงนี้ของปัญญาประดิษฐ์จึงเป็นขั้นตอนสำคัญถัดไปที่คุณต้องทำ คอร์สรูปแบบข้อความนี้จะพาคุณตั้งแต่แนวคิดพื้นฐานของ AI ไปจนถึงการสร้างเอเจนต์ตัดสินใจของคุณเอง คุณจะเข้าใจวิธีที่เอเจนต์โต้ตอบกับสภาพแวดล้อม ได้รับรางวัล และปรับพฤติกรรมให้เหมาะสมตามเวลาโดยใช้ Python และ PyTorch สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจคณิตศาสตร์หลักของ reinforcement learning รวมถึง Markov Decision Processes และสมการ Bellman - ใช้งาน Q-learning และ Deep Q-Networks (DQN) ตั้งแต่เริ่มต้นโดยใช้เวิร์กโฟลว์ PyTorch สมัยใหม่ - กำหนดค่าสภาพแวดล้อมจำลองโดยใช้ไลบรารี Gym มาตรฐานและ Gymnasium สมัยใหม่ - ประยุกต์ใช้กลยุทธ์ exploration-exploitation เพื่อสร้างความสมดุลระหว่างการเรียนรู้และประสิทธิภาพของเอเจนต์ - ออกแบบโครงข่ายประสาทเทียม (neural networks) เป็นตัวแทนฟังก์ชันเพื่อจัดการกับพื้นที่สถานะที่ซับซ้อน - วิเคราะห์ความคืบหน้าในการฝึกเอเจนต์โดยใช้การประเมินอย่างเป็นระบบและตัวชี้วัดประสิทธิภาพ คุณจะได้เริ่มต้นจากพื้นฐานที่แท้จริงของวง `state-action-reward` ก่อนที่จะก้าวไปสู่อัลกอริทึม deep reinforcement learning ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและการอธิบายโค้ดที่ชัดเจน คุณจะได้เห็นว่าแนวคิดทางทฤษฎีแปลโดยตรงเป็นโค้ด Python ที่ใช้งานได้จริงอย่างไร คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นที่มีความเข้าใจพื้นฐานเกี่ยวกับ Python ไม่จำเป็นต้องมีประสบการณ์ด้านปัญญาประดิษฐ์ machine learning หรือ PyTorch มาก่อน เริ่มอ่านวันนี้เพื่อสร้างเอเจนต์ตัดสินใจอัจฉริยะตัวแรกของคุณ