Lady Margaret Hall, University of Oxford

Προηγμένη Τεχνητή Νοημοσύνη και Μηχανική Μάθηση: Ενισχυτική Μάθηση

Το να κάνουμε τα πράγματα λάθος είναι μέρος αυτού που μας κάνει ανθρώπους και η φυσική μας νοημοσύνη μας βοηθά να μάθουμε από τα λάθη μας. Η ενισχυτική μάθηση είναι ένας τομέας μηχανικής μάθησης που επιτρέπει στην τεχνητή νοημοσύνη να μαθαίνει και από τα λάθη της, για παράδειγμα επιτρέποντας σε ένα ρομπότ να χρησιμοποιεί δοκιμή και σφάλμα για να αλληλεπιδράσει με ένα νέο περιβάλλον και να επιτύχει έναν στόχο. Αυτό το προχωρημένο μάθημα εξετάζει τις βασικές αρχές της ενισχυτικής μάθησης και διερευνά τις ποικίλες εφαρμογές των μεθόδων δυναμικού προγραμματισμού.

Το μάθημα θα ξεκινήσει με μια ενδελεχή θεμελίωση στις βασικές θεωρητικές έννοιες της ενισχυτικής μάθησης, εξοικειώνοντάς σας με πράκτορες, περιβάλλοντα και ανταμοιβές, πριν εισαγάγετε τις διαδικασίες λήψης αποφάσεων Markov, τον δυναμικό προγραμματισμό και τις μεθόδους Monte Carlo. Καθώς το μάθημα εξελίσσεται, θα εξερευνήσετε ένα ευρύ φάσμα μεθόδων και τεχνικών ενισχυτικής μάθησης, συμπεριλαμβανομένων μεθόδων κλίσης πολιτικής και πώς βελτιστοποιούν τις πολιτικές, μεθόδους αναζήτησης πολιτικών όπως εξελικτικές στρατηγικές και αναρρίχηση σε λόφους και τη μέθοδο διασταυρούμενης εντροπίας για βελτιστοποίηση πολιτικής. Το τελευταίο μέρος του μαθήματος θα εισαγάγει ακόμη πιο προχωρημένα θέματα, συμπεριλαμβανομένης της μάθησης ενίσχυσης πολλαπλών παραγόντων.

Αυτό το εντατικό μάθημα προσφέρει στους φοιτητές θεωρητική κατανόηση και πρακτική εμπειρία σε μια σειρά από έννοιες και τεχνικές ενισχυτικής μάθησης, προσφέροντας δεξιότητες σταδιοδρομίας καθώς και εξαιρετικές βάσεις για μελλοντική έρευνα.

Ημερομηνίες και Διαθεσιμότητα

Διατίθεται ως μάθημα Residential ή Online στις ακόλουθες ημερομηνίες:

Συνεδρία 1: 24 Ιουνίου έως 12 Ιουλίου 2024