(Inggris) Deep Reinforcement Learning with PyTorch: From DQN to SAC

Pembelajaran penguatan mendalam (deep reinforcement learning) adalah kekuatan sistem AI paling canggih, namun transisi dari teori dasar ke implementasi algoritma kompleks bisa terasa sangat berat. Anda akan mengembangkan pemahaman intuitif mendalam tentang bagaimana agen buatan belajar dari interaksi dan pengalaman. Dengan membaca penjelasan yang jelas dan menganalisis kode PyTorch yang bersih dan modular, Anda akan mendapatkan keterampilan untuk membangun algoritma yang kuat yang mampu menyelesaikan masalah kendali terus-menerus dan mengoptimalkan saluran keputusan yang kompleks. Apa yang akan kau pelajari: * Mengerti dasar-dasar matematika pembelajaran penguatan, termasuk Markov Decision Processes dan Q-learning klasik. * Implementasi Deep Q-Networks (DQN) dan mengadopsi mereka ke ruang aksi terus-menerus. * Membuat algoritma aktor-kritikal canggih dari awal, termasuk DDPG, TD3, dan Soft Actor-Critic (SAC). * Terapkan pengalaman replay (HER) untuk membantu agen belajar secara efisien dari hadiah yang jarang. * Optimalkan parameter agen secara sistematis menggunakan alat modern seperti Optuna. * Struktur bersih, pipa pelatihan yang dapat dipertahankan menggunakan PyTorch Lightning dan lingkungan Gymnasium modern. Perjalanan dimulai dengan terminologi penting, kerangka kerja matematika inti, dan konsep Q-learning dasar. Dari sana, Anda akan secara sistematis berkembang ke integrasi pembelajaran mendalam, yang berpuncak pada implementasi, evaluasi, dan optimalisasi algoritma kontrol berkelanjutan yang canggih. Kursus ini dirancang untuk insinyur AI, ilmuwan data, dan programmer yang ingin pengenalan yang jelas, konseptual, dan kode-pertama untuk pembelajaran penguatan dalam tanpa perlu pengalaman AI yang lebih maju sebelumnya. Mulai membaca hari ini untuk menguasai algoritma yang memandu masa depan kecerdasan buatan.