À propos de ce cours

257,636 consultations récentes
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Probabilities & Expectations, basic linear algebra, basic calculus, Python 3.0 (at least 1 year), implementing algorithms from pseudocode.

Approx. 15 heures pour terminer
Anglais
Sous-titres : Anglais

Ce que vous allez apprendre

  • Formalize problems as Markov Decision Processes

  • Understand basic exploration methods and the exploration / exploitation tradeoff

  • Understand value functions, as a general-purpose tool for optimal decision-making

  • Know how to implement dynamic programming as an efficient solution approach to an industrial control problem

Compétences que vous acquerrez

Artificial Intelligence (AI)Machine LearningReinforcement LearningFunction ApproximationIntelligent Systems
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Probabilities & Expectations, basic linear algebra, basic calculus, Python 3.0 (at least 1 year), implementing algorithms from pseudocode.

Approx. 15 heures pour terminer
Anglais
Sous-titres : Anglais

Offert par

Logo Université de l'Alberta

Université de l'Alberta

Logo Alberta Machine Intelligence Institute

Alberta Machine Intelligence Institute

Programme du cours : ce que vous apprendrez dans ce cours

Évaluation du contenuThumbs Up93%(7,118 notes)Info
Semaine
1

Semaine 1

1 heure pour terminer

Welcome to the Course!

1 heure pour terminer
4 vidéos (Total 20 min), 2 lectures
4 vidéos
Course Introduction5 min
Meet your instructors!8 min
Your Specialization Roadmap3 min
2 lectures
Reinforcement Learning Textbook10 min
Read Me: Pre-requisites and Learning Objectives10 min
4 heures pour terminer

The K-Armed Bandit Problem

4 heures pour terminer
8 vidéos (Total 46 min), 3 lectures, 2 quiz
8 vidéos
Learning Action Values4 min
Estimating Action Values Incrementally5 min
What is the trade-off?7 min
Optimistic Initial Values6 min
Upper-Confidence Bound (UCB) Action Selection5 min
Jonathan Langford: Contextual Bandits for Real World Reinforcement Learning8 min
Week 1 Summary3 min
3 lectures
Module 2 Learning Objectives10 min
Weekly Reading30 min
Chapter Summary30 min
1 exercice pour s'entraîner
Exploration/Exploitation45 min
Semaine
2

Semaine 2

3 heures pour terminer

Markov Decision Processes

3 heures pour terminer
7 vidéos (Total 36 min), 2 lectures, 2 quiz
7 vidéos
Examples of MDPs4 min
The Goal of Reinforcement Learning3 min
Michael Littman: The Reward Hypothesis12 min
Continuing Tasks5 min
Examples of Episodic and Continuing Tasks3 min
Week 2 Summary1 min
2 lectures
Module 3 Learning Objectives10 min
Weekly Reading30 min
1 exercice pour s'entraîner
MDPs45 min
Semaine
3

Semaine 3

3 heures pour terminer

Value Functions & Bellman Equations

3 heures pour terminer
9 vidéos (Total 56 min), 3 lectures, 2 quiz
9 vidéos
Value Functions6 min
Rich Sutton and Andy Barto: A brief History of RL7 min
Bellman Equation Derivation6 min
Why Bellman Equations?5 min
Optimal Policies7 min
Optimal Value Functions5 min
Using Optimal Value Functions to Get Optimal Policies8 min
Week 3 Summary4 min
3 lectures
Module 4 Learning Objectives10 min
Weekly Reading30 min
Chapter Summary13 min
2 exercices pour s'entraîner
Value Functions and Bellman Equations45 min
Value Functions and Bellman Equations45 min
Semaine
4

Semaine 4

4 heures pour terminer

Dynamic Programming

4 heures pour terminer
10 vidéos (Total 72 min), 3 lectures, 2 quiz
10 vidéos
Iterative Policy Evaluation8 min
Policy Improvement4 min
Policy Iteration8 min
Flexibility of the Policy Iteration Framework4 min
Efficiency of Dynamic Programming5 min
Warren Powell: Approximate Dynamic Programming for Fleet Management (Short)7 min
Warren Powell: Approximate Dynamic Programming for Fleet Management (Long)21 min
Week 4 Summary2 min
Congratulations!3 min
3 lectures
Module 5 Learning Objectives10 min
Weekly Reading30 min
Chapter Summary30 min
1 exercice pour s'entraîner
Dynamic Programming45 min

Avis

Meilleurs avis pour FUNDAMENTALS OF REINFORCEMENT LEARNING

Voir tous les avis

À propos du Spécialisation Apprentissage par renforcement

The Reinforcement Learning Specialization consists of 4 courses exploring the power of adaptive learning systems and artificial intelligence (AI). Harnessing the full potential of artificial intelligence requires adaptive learning systems. Learn how Reinforcement Learning (RL) solutions help solve real-world problems through trial-and-error interaction by implementing a complete RL solution from beginning to end. By the end of this Specialization, learners will understand the foundations of much of modern probabilistic artificial intelligence (AI) and be prepared to take more advanced courses or to apply AI tools and ideas to real-world problems. This content will focus on “small-scale” problems in order to understand the foundations of Reinforcement Learning, as taught by world-renowned experts at the University of Alberta, Faculty of Science. The tools learned in this Specialization can be applied to game development (AI), customer interaction (how a website interacts with customers), smart assistants, recommender systems, supply chain, industrial control, finance, oil & gas pipelines, industrial control systems, and more....
Apprentissage par renforcement

Foire Aux Questions

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

  • Si vous vous abonnez, vous bénéficiez d'une période d'essai gratuite de 7 jours, durant laquelle vous pouvez annuler votre abonnement sans pénalité. Ensuite, nous n'accordons plus de remboursements, mais vous pouvez annuler votre abonnement à tout instant. Consultez notre politique de remboursement complète.

  • Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.

  • Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.