Ce cours fait partie de la Spécialisation Apprentissage par renforcement

4.8
étoiles
2,499 évaluations

92 %

Martha White +1 enseignant de plus

71 511 déjà inscrits

Offert par

Université de l'Alberta

Alberta Machine Intelligence Institute

Spécialisation Apprentissage par renforcementUniversité de l'Alberta

À propos de ce cours

107 426 consultations récentes

Reinforcement Learning is a subfield of Machine Learning, but is also a general purpose formalism for automated decision-making and AI. This course introduces you to statistical learning techniques where an agent explicitly takes actions and interacts with the world. Understanding the importance and challenges of learning agents that make decisions is of vital importance today, with more and more companies interested in interactive agents and intelligent decision-making. 
This course introduces you to the fundamentals of Reinforcement Learning. When you finish this course, you will:
- 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

This course teaches you the key concepts of Reinforcement Learning, underlying classic and modern algorithms in RL. After completing this course, you will be able to start using RL for real problems, where you have or can specify the MDP. 

This is the first course of the Reinforcement Learning Specialization.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 1 sur 4 dans le

Spécialisation Apprentissage par renforcement

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

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 Learning
Reinforcement Learning
Function Approximation
Intelligent Systems

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 1 sur 4 dans le

Spécialisation Apprentissage par renforcement

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

Enseignants

Évaluation de l'enseignant

4,71/5 (713 évaluations)

Martha White

Adam White

Offert par

Université de l'Alberta

Alberta Machine Intelligence Institute

Programme de cours : ce que vous apprendrez dans ce cours

Évaluation du contenu92%(17,574 évaluations)

Semaine

Semaine 1

1 heure pour terminer

Welcome to the Course!

Welcome to: Fundamentals of Reinforcement Learning, the first course in a four-part specialization on Reinforcement Learning brought to you by the University of Alberta, Onlea, and Coursera. In this pre-course module, you'll be introduced to your instructors, get a flavour of what the course has in store for you, and be given an in-depth roadmap to help make your journey through this specialization as smooth as possible.

1 heure pour terminer

4 vidéos (Total 20 min), 2 lectures

4 heures pour terminer

An Introduction to Sequential Decision-Making

4 heures pour terminer

8 vidéos (Total 46 min), 3 lectures, 2 quiz

8 vidéos

Sequential Decision Making with Evaluative Feedback5 min

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 1 Learning Objectives10 min

Weekly Reading30 min

Chapter Summary30 min

1 exercice pour s'entraîner

Sequential Decision-Making45 min

Semaine

Semaine 2

3 heures pour terminer

Markov Decision Processes

When you’re presented with a problem in industry, the first and most important step is to translate that problem into a Markov Decision Process (MDP). The quality of your solution depends heavily on how well you do this translation. This week, you will learn the definition of MDPs, you will understand goal-directed behavior and how this can be obtained from maximizing scalar rewards, and you will also understand the difference between episodic and continuing tasks. For this week’s graded assessment, you will create three example tasks of your own that fit into the MDP framework.

3 heures pour terminer

7 vidéos (Total 36 min), 2 lectures, 2 quiz

Semaine

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

Specifying Policies4 min

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 3 Learning Objectives10 min

Weekly Reading30 min

Chapter Summary13 min

2 exercices pour s'entraîner

[Practice] Value Functions and Bellman Equations45 min

[Graded] Value Functions and Bellman Equations45 min

Semaine

Semaine 4

4 heures pour terminer

Dynamic Programming

This week, you will learn how to compute value functions and optimal policies, assuming you have the MDP model. You will implement dynamic programming to compute value functions and optimal policies and understand the utility of dynamic programming for industrial applications and problems. Further, you will learn about Generalized Policy Iteration as a common template for constructing algorithms that maximize reward. For this week’s graded assessment, you will implement an efficient dynamic programming agent in a simulated industrial control problem.

4 heures pour terminer

10 vidéos (Total 72 min), 3 lectures, 2 quiz

10 vidéos

Policy Evaluation vs. Control4 min

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 4 Learning Objectives10 min

Weekly Reading30 min

Chapter Summary30 min

1 exercice pour s'entraîner

Dynamic Programming45 min

Avis

4.8

604 avis

5 stars
81,97 %
4 stars
14,66 %
3 stars
2,35 %
2 stars
0,31 %
1 star
0,67 %

Meilleurs avis pour FUNDAMENTALS OF REINFORCEMENT LEARNING

par AM1 juil. 2021

This course is great for people who are just starting out. The programming assignments are really great and practically introduce you to the basic concepts of reinforcement learning.

par RD15 oct. 2019

An excellent introduction to the subject of Reinforcement Learning, accompanied by a very clear text book. The python assignments in Jupyter notebooks are both informative and helpful.

par AA16 août 2021

This course is the best course for anyone who needs to enter into the field of RL. Content within the course is excellent and instructors have explained each and every topic very well.

par CC5 mai 2021

Fantastic course! I have been interested in Reinforcement Learning for a long time and this has been the best introduction I have found so far. It gave me the foundations on the field.

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.

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
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.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

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

Fundamentals of Reinforcement Learning

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez