Chevron Left
Prediction and Control with Function Approximation(으)로 돌아가기

앨버타 대학교의 Prediction and Control with Function Approximation 학습자 리뷰 및 피드백

4.8
별점
749개의 평가

강좌 소개

In this course, you will learn how to solve problems with large, high-dimensional, and potentially infinite state spaces. You will see that estimating value functions can be cast as a supervised learning problem---function approximation---allowing you to build agents that carefully balance generalization and discrimination in order to maximize reward. We will begin this journey by investigating how our policy evaluation or prediction methods like Monte Carlo and TD can be extended to the function approximation setting. You will learn about feature construction techniques for RL, and representation learning via neural networks and backprop. We conclude this course with a deep-dive into policy gradient methods; a way to learn policies directly without learning a value function. In this course you will solve two continuous-state control tasks and investigate the benefits of policy gradient methods in a continuous-action environment. Prerequisites: This course strongly builds on the fundamentals of Courses 1 and 2, and learners should have completed these before starting this course. Learners should also be comfortable with probabilities & expectations, basic linear algebra, basic calculus, Python 3.0 (at least 1 year), and implementing algorithms from pseudocode. By the end of this course, you will be able to: -Understand how to use supervised learning approaches to approximate value functions -Understand objectives for prediction (value estimation) under function approximation -Implement TD with function approximation (state aggregation), on an environment with an infinite state space (continuous state space) -Understand fixed basis and neural network approaches to feature construction -Implement TD with neural network function approximation in a continuous state environment -Understand new difficulties in exploration when moving to function approximation -Contrast discounted problem formulations for control versus an average reward problem formulation -Implement expected Sarsa and Q-learning with function approximation on a continuous state control task -Understand objectives for directly estimating policies (policy gradient objectives) -Implement a policy gradient method (called Actor-Critic) on a discrete state environment...

최상위 리뷰

WP

2020년 4월 11일

Difficult but excellent and impressing. Human being is incredible creating such ideas. This course shows a way to the state when all such ingenious ideas will be created by self learning algorithms.

AC

2019년 12월 1일

Well peaced and thoughtfully explained course. Highly recommended for anyone willing to set solid grounding in Reinforcement Learning. Thank you Coursera and Univ. of Alberta for the masterclass.

필터링 기준:

Prediction and Control with Function Approximation의 133개 리뷰 중 1~25

교육 기관: George G

2020년 2월 28일

교육 기관: Neil H

2021년 11월 3일

교육 기관: Mukund C

2020년 3월 27일

교육 기관: Navid H

2019년 10월 16일

교육 기관: Maxim V

2020년 1월 23일

교육 기관: Arthur O

2020년 10월 9일

교육 기관: Maximiliano B

2020년 3월 31일

교육 기관: D. R

2019년 12월 31일

교육 기관: Mark J

2019년 10월 22일

교육 기관: Ian W

2021년 6월 17일

교육 기관: Julien T

2019년 11월 12일

교육 기관: Gordon L W C

2020년 3월 23일

교육 기관: Walter O A

2019년 12월 9일

교육 기관: Stefano P

2020년 5월 19일

교육 기관: Sebastian P B

2019년 12월 2일

교육 기관: Zhang d

2020년 5월 6일

교육 기관: Jesse W

2020년 7월 29일

교육 기관: Guilherme V

2020년 11월 20일

교육 기관: Tobias L

2020년 10월 14일

교육 기관: Alvaro M A

2020년 4월 3일

교육 기관: Surya K

2020년 4월 30일

교육 기관: César S

2021년 8월 8일

교육 기관: Lim G

2020년 5월 10일

교육 기관: Thomas G

2020년 4월 21일

교육 기관: Mateusz K

2019년 10월 29일