Informações sobre o curso

245,872 visualizações recentes

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

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

Aprox. 21 horas para completar

Inglês

Legendas: 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 LearningReinforcement LearningFunction ApproximationIntelligent Systems

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

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

Aprox. 21 horas para completar

Inglês

Legendas: Inglês

oferecido por

Logotipo de Universidade de AlbertaUniversidade de Alberta

Universidade de AlbertaUniversidade de Alberta

Logotipo de Alberta Machine Intelligence Institute

Alberta Machine Intelligence Institute

Programa - O que você aprenderá com este curso

Classificação do conteúdoThumbs Up93%(6,124 classificações)Info
Semana
1

Semana 1

1 hora para concluir

Welcome to the Course!

1 hora para concluir
4 vídeos (Total 20 mín.), 2 leituras
4 videos
Course Introduction5min
Meet your instructors!8min
Your Specialization Roadmap3min
2 leituras
Reinforcement Learning Textbook10min
Read Me: Pre-requisites and Learning Objectives10min
7 horas para concluir

The K-Armed Bandit Problem

7 horas para concluir
8 vídeos (Total 46 mín.), 3 leituras, 2 testes
8 videos
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 2 Learning Objectives10min
Weekly Reading30min
Chapter Summary30min
1 exercício prático
Exploration/Exploitation45min
Semana
2

Semana 2

3 horas para concluir

Markov Decision Processes

3 horas para concluir
7 vídeos (Total 36 mín.), 2 leituras, 2 testes
7 videos
Examples of MDPs4min
The Goal of Reinforcement Learning3min
Michael Littman: The Reward Hypothesis12min
Continuing Tasks5min
Examples of Episodic and Continuing Tasks3min
Week 2 Summary1min
2 leituras
Module 3 Learning Objectives10min
Weekly Reading30min
1 exercício prático
MDPs45min
Semana
3

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
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 4 Learning Objectives10min
Weekly Reading30min
Chapter Summary13min
2 exercícios práticos
Value Functions and Bellman Equations45min
Value Functions and Bellman Equations45min
Semana
4

Semana 4

7 horas para concluir

Dynamic Programming

7 horas para concluir
10 vídeos (Total 72 mín.), 3 leituras, 2 testes
10 videos
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 5 Learning Objectives10min
Weekly Reading30min
Chapter Summary30min
1 exercício prático
Dynamic Programming45min

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....
Reforço de aprendizagem

Perguntas Frequentes – FAQ

  • Ao se inscrever para um Certificado, você terá acesso a todos os vídeos, testes e tarefas de programação (se aplicável). Tarefas avaliadas pelos colegas apenas podem ser enviadas e avaliadas após o início da sessão. Caso escolha explorar o curso sem adquiri-lo, talvez você não consiga acessar certas tarefas.

  • 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.

  • Se você se inscrever, terá 7 dias para testar sem custo e, durante este período, pode cancelar sem multa. Depois disso, não reembolsamos, mas você pode cancelar sua inscrição a qualquer momento. Veja nossa política para o reembolso total.

  • Sim, a Coursera oferece auxílio financeiro ao aluno que não possa pagar a taxa. Faça a solicitação clicando no link Auxílio Financeiro, abaixo do botão "Inscreva-se" à esquerda. Preencha uma solicitação e será notificado caso seja aprovado. Você terá que completar esta etapa para cada curso na Especialização, incluindo o Trabalho de Conclusão de Curso. Saiba mais .

  • Este curso não oferece créditos universitários, mas algumas universidades podem aceitar certificados de cursos que podem ser convertidos em créditos. Entre em contato com sua instituição para saber mais. Com os cursos on-line e os certificados Mastertrack™ do Coursera, é possível ganhar créditos universitários.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.