یادگیری تقویتی

1.1. مقدمه

00:28′

1.2. چارچوب‌های اصلی

00:12′

2.2. توابع هزینه

00:13′

3.2. بهینه سازی و تعمیم پذیری

00:14′

1.3. فرآیند تصمیم مارکوف

00:17′

1.4. روش‌های برنامه نویسی پویا

00:19′

1.5. روش مونت کارلو۱

00:13′

2.5. روش مونت کارلو۲

00:13′

3.5. روش یادگیری temporal difference1

00:06′

4.5. روش یادگیری temporal difference2

00:09′

5.5. Q-learning

00:10′

6.5. N-step return

00:09′

7.5. SARSA

00:12′

8.5. تخمین تابع ارزش

00:15′

9.5. شواهد زیستی

00:11′

1.6. بخش۱: توزیع توام دنباله‌ها

00:10′

2.6. بخش۲: گرادیان سیاست

00:10′

3.6. بخش۳:الگوریتم reinforce و تفسیر آن

00:09′

4.6. بخش۴: بایاس و واریانس

00:12′

1.7. مفاهیم اصلی بخش اول

00:14′

2.7. مفاهیم اصلی بخش دوم

00:06′

3.7. روش های پیشرفته بخش اول

00:11′

4.7. روش های پیشرفته بخش دوم

00:11′

1.8. کنترل کلاسیک و برنامه ریزی

00:11′

2.8. روش‌های برنامه ریزی و جستجو

00:15′

3.8. یادگیری مدل محیط

00:11′

4.8. عدم قطعیت

00:16′

5.8. یادگیری سیاست در یادگیری تقویتی مبتنی بر مدل

00:17′

1.9. یادگیری تقلیدی

00:21′

2.9. روش های random shooting, CEM, MCTS

00:15′

1.10. مقدمه و تعریف

00:13′

2.10. انگیزه‌ها و چالش‌ها

00:12′

3.10. مشکل شیفت توزیع و بیش تخمین تابع ارزش

00:07′

4.10. روش‌های مبتنی بر سیاست

00:07′

5.10. روش‌های مبتنی بر تابع ارزش

00:07′

6.10. روش‌های مبتنی بر مدل

00:08′

1.11. یادگیری تقویتی با بازخورد انسانی

00:20′

1.12. مفاهیم اولیه

00:11′

2.12. الگوریتم‌های UCB و نمونه برداری تامپسون

00:15′

3.12. contextual

00:10′

1.13. معرفی OpenAI Gym

00:20′

2.13. پیاده سازی محیط

00:22′

3.13. پیاده سازی جدولی روش Q-learning

00:21′

1.14. پیاده سازی Q-learning

00:24′

2.14. پیاده سازی SARSA و Double Q-learning

00:12′

3.14. پیاده سازی Q-learning با شبکه‌های عصبی1

00:15′

4.14. پیاده سازی Q-learning با شبکه‌های عصبی2

00:23′

1.15. روش گرادیان سیاست - الگوریتم REINFORCE

00:24′

2.15. روش Actor-Critic

00:15′

1.16. روش مبتنی بر مدل1

00:21′

2.16. روش گرادیان سیاست - الگوریتم REINFORCE

00:24′

3.16. روش Actor-Critic

00:15′

4.16. روش مبتنی بر مدل2

00:17′

5.16. روش مبتنی بر مدل3

00:13′

1.17. روش Multi-Armed Bandit

00:17′

2.17. روش Epsilon-Greedy و Softmax

00:22′

3.17. روش‌های UCB و Thompson Sampling

00:17′