Este curso faz parte do Programa de cursos integrados Reforço de aprendizagem

4.8
estrelas
2,499 classificações

Martha White +1 mais instrutores

71.445 já se inscreveram

oferecido por

Universidade de AlbertaUniversidade de Alberta

Alberta Machine Intelligence Institute

Programa de cursos integrados Reforço de aprendizagemUniversidade de AlbertaUniversidade de Alberta

Informações sobre o curso

104.390 visualizações recentes

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.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 1 de 4 no

Programa de cursos integrados Reforço de aprendizagem

Nível intermediário

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

Aprox. 15 horas para completar

Inglês

O que você vai aprender

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

Habilidades que você terá

Artificial Intelligence (AI)
Machine Learning
Reinforcement Learning
Function Approximation
Intelligent Systems

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 1 de 4 no

Programa de cursos integrados Reforço de aprendizagem

Nível intermediário

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

Aprox. 15 horas para completar

Inglês

Instrutores

Classificação do instrutor

4,71/5 (713 classificações)

Martha White

Assistant Professor

Computing Science

75.386 aprendizes

4 Cursos

Adam White

Assistant Professor

Computing Science

75.386 aprendizes

4 Cursos

oferecido por

Universidade de AlbertaUniversidade de Alberta

Alberta Machine Intelligence Institute

Programa - O que você aprenderá com este curso

Classificação do conteúdo92%(17,560 classificações)

Semana

Semana 1

1 hora para concluir

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 hora para concluir

4 vídeos (Total 20 mín.), 2 leituras

4 horas para concluir

An Introduction to Sequential Decision-Making

4 horas para concluir

8 vídeos (Total 46 mín.), 3 leituras, 2 testes

8 videos

Sequential Decision Making with Evaluative Feedback5min

Learning Action Values4min

Estimating Action Values Incrementally5min

What is the trade-off?7min

Optimistic Initial Values6min

Upper-Confidence Bound (UCB) Action Selection5min

Jonathan Langford: Contextual Bandits for Real World Reinforcement Learning8min

Week 1 Summary3min

3 leituras

Module 1 Learning Objectives10min

Weekly Reading30min

Chapter Summary30min

1 exercício prático

Sequential Decision-Making45min

Semana

Semana 2

3 horas para concluir

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 horas para concluir

7 vídeos (Total 36 mín.), 2 leituras, 2 testes

Semana

Semana 3

3 horas para concluir

Value Functions & Bellman Equations

3 horas para concluir

9 vídeos (Total 56 mín.), 3 leituras, 2 testes

9 videos

Specifying Policies4min

Value Functions6min

Rich Sutton and Andy Barto: A brief History of RL7min

Bellman Equation Derivation6min

Why Bellman Equations?5min

Optimal Policies7min

Optimal Value Functions5min

Using Optimal Value Functions to Get Optimal Policies8min

Week 3 Summary4min

3 leituras

Module 3 Learning Objectives10min

Weekly Reading30min

Chapter Summary13min

2 exercícios práticos

[Practice] Value Functions and Bellman Equations45min

[Graded] Value Functions and Bellman Equations45min

Semana

Semana 4

4 horas para concluir

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 horas para concluir

10 vídeos (Total 72 mín.), 3 leituras, 2 testes

10 videos

Policy Evaluation vs. Control4min

Iterative Policy Evaluation8min

Policy Improvement4min

Policy Iteration8min

Flexibility of the Policy Iteration Framework4min

Efficiency of Dynamic Programming5min

Warren Powell: Approximate Dynamic Programming for Fleet Management (Short)7min

Warren Powell: Approximate Dynamic Programming for Fleet Management (Long)21min

Week 4 Summary2min

Congratulations!3min

3 leituras

Module 4 Learning Objectives10min

Weekly Reading30min

Chapter Summary30min

1 exercício prático

Dynamic Programming45min

Avaliações

4.8

604 avaliações

5 stars
81,96%
4 stars
14,67%
3 stars
2,35%
2 stars
0,31%
1 star
0,67%

Principais avaliações do FUNDAMENTALS OF REINFORCEMENT LEARNING

por CC5 de mai de 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.

por HS19 de set de 2019

One of the best courses I finished on Coursera, I really like the structure of the course. Textbook is also provided which really helps. Looking forward to next course in the series.

por AT6 de jul de 2020

An excellent introduction to Reinforcement Learning, accompanied by a well-organized & informative handbook. I definitely recommend this course to have a strong foundation in Reinforcement Learning.

por AB6 de set de 2019

Concepts are bit hard, but it is nice if you undersand it well, espically the bellman and dynamic programming.

Sometimes, visualizing the problem is hard, so need to thoroghly get prepared.

Visualizar todas as avaliações

Sobre Programa de cursos integrados Reforço de aprendizagem

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.

Perguntas Frequentes – FAQ

Quando terei acesso às palestras e às tarefas?
O acesso a palestras e tarefas depende do tipo de inscrição. Se você participar de um curso como ouvinte, você poderá ver quase todo o conteúdo do curso gratuitamente. Para acessar tarefas valendo nota e obter um Certificado, você precisará adquirir a experiência do Certificado, durante ou após a participação como ouvinte. Se você não vir a opção de participar como ouvinte:
o curso pode não oferecer essa opção. Você pode experimentar um teste gratuito ou solicitar o auxílio financeiro.
Em vez disso, o curso pode oferecer 'Curso completo, sem Certificado'. Com esta opção, é possível ver todo o conteúdo do curso, enviar as avaliações necessárias e obter uma nota final. Isso também significa que você não poderá comprar uma experiência de Certificado.
O que recebo ao me inscrever nesta Especialização?
Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.
Existe algum auxílio financeiro disponível?
Sim. Em programas de aprendizado selecionados, você pode solicitar auxílio financeiro ou uma bolsa de estudos caso não consiga pagar a taxa de inscrição. Se o auxílio financeiro ou bolsa de estudos estiver disponível para a seleção do seu programa de aprendizado, você encontrará um link para se inscrever na página de descrição.

Mais dúvidas? Visite o Central de Ajuda ao estudante.

Fundamentals of Reinforcement Learning

Informações sobre o curso

O que você vai aprender

Habilidades que você terá