Score

DRL Course Домашнее задание 6 bonus

DRL Course Домашнее задание 5 bonus

DRL Course Домашнее задание 4 bonus

DRL Course Домашнее задание 3 bonus

DRL Course Домашнее задание 2 bonus

DRL Course Домашнее задание 1 bonus

Постановка задачи обучения с подкреплением. Разбор алгоритма Кросс-Энтропии.

Теория

Лекция 1. Introduction to Reinforcement Learning. Cross-Entropy Method

Разбираем интерфейс Gym. Реализуем алгоритм Кросс-Энтропии.

Практическое занятие 1. Cross-Entropy Method.

DRL Course Домашнее задание 1

Задания по первой лекции и первому практическому занятию

Хакатон

Домашнее задание 1

Введение в нейронные сети и алгоритм Кросс-Энтропии с их использованием.

Лекция 2. Introduction to Neural Networks. Deep Cross-Entropy Method

Разбираем PyTorch. Реализуем алгоритм Кросс-Энтропии с использованием нейронных сетей.

Практическое занятие 2. PyTorch and Deep Cross-Entropy Method.

DRL Course Домашнее задание 2

Задания по второй лекции и второму практическому занятию

Домашнее задание 2

Используем принцип динамического программирование для решения задач обучения с подкреплением.

Лекция 3. Dynamic Programming. Policy and Value Iterations

Решаем Frozen Lake с помощью Value Iteration

Практическое занятие 3. Policy Iteration

DRL Course Домашнее задание 3

Задания по третьей лекции и третьему практическому занятию

Домашнее задание 3

Обсуждаем решения домашних заданий 1-3

Разбор домашних заданий 1-3

Выводим алгоритмы Monte-Carlo, SARSA, Q-Learning

Лекция 4. Model-Free Reinforcement Learning: Monte-Carlo, SARSA, Q-Learning

Решаем Taxi с помощью алгоритмов Monte-Carlo и SARSA

Практическое занятие 4. Monte-Carlo and SARSA.

DRL Course Домашнее задание 4

Задания по четвертой лекции и четвертому практическому занятию

Домашнее задание 4

Лекция 5. Value Function Approximation. Deep Q-Networks (DQN)

Решаем CartPole с помощью DQN

Практическое занятие 5. Deep Q-Networks (DQN).

DRL Course Домашнее задание 5

Задания по пятой лекции и пятому практическому занятию

Домашнее задание 5

Лекция 6. Policy Gradient

Практическое занятие 6. Deep Deterministic Policy Gradient (DDPG).

DRL Course Домашнее задание 6

Задания по шестой лекции и шестому практическому занятию

Домашнее задание 6

Обсуждаем решения домашних заданий 1-3 и подводим итоги курса

Разбор домашних заданий 4-6. Подведение итогов курса

FeaturedBanner-e7ac2333

Telegram канал

<h3>Описание</h3><p>Курс посвящен методам обучения с подкреплением (Reinforcement learning) - одному из способов машинного обучения. В нем рассматривается задача о построении систем (агентов), которые могли бы приспосабливаться к окружающей среде, обучаться действовать оптимально на основе получаемого опыта. Такие задачи возникают во многих областях, включая информатику, технические науки, математику, физику, нейробиологию и когнитологию. В начале 2010-х годов методы обучения с подкреплением были применены для обучения агентов, действия которых определяются нейронными сетями. Это позволило получить ряд прорывных результатов, сильно продвинувших понимание границ искусственного интеллекта (игры Atari, Go, StarCraft 2). В рамках данного курса излагаются основные методы обучения с подкреплением, приводятся техники их успешного использования для обучения агентов оснащенных нейронными сетями, рассматриваются примеры.&nbsp;</p><h3>Требования</h3><p>Для успешного освоения материалов курса желательно знать основы теории вероятностей и хорошо владеть языком Pyhton.</p><h3>Структура</h3><p>Курс содержит 6 лекций и 6 практических занятий. После каждого практического занятия выдается домашняя работа, которую нужно выполнить за <strong>3 недели</strong>.</p><h3>Лектор</h3><p>Антон Плаксин, исследователь в группе Yandex.Research и доцент Уральского федерального университета.</p><p>&nbsp;</p>

Изучаются алгоритмы обучения с подкреплением, использующие нейронные сети.

Лидерборд DRL

User Agreement

<p>Я прочитал(-а) и согласен(-на) с <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Пользовательским соглашением и Политикой конфиденциальности</a></p>

Privacy Policy

<p>Я даю свое <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf" rel="noopener noreferrer" target="_blank">согласие</a> ООО &ldquo;Соревнования Анализа Данных&rdquo; на обработку и передачу моих персональных данных партнерам мероприятия для информационного взаимодействия</p>

Consent

<p>Я <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf" rel="noopener noreferrer" target="_blank">согласен(а)</a> получать информационные рассылки от ООО &ldquo;Соревнования Анализа Данных&rdquo; про активности ODS</p>

<p>Мне интересно получать предложения о работе</p>


1	Alexander Kondratiev	60	10	10	10	10	10	10
2	Maxim	57	10	9	10	10	10	8
3	Linker Nick	56	9	10	10	10	8	9
4	Aleksandr Mushnikov	56	9	9	10	9	9	10
5	Mark Averchenko	53	9	7	10	10	8	9
6	Denis Konev	50	9	10	7	8	8	8
7	egor koptelov	45	—	10	10	10	7	8
8	Elnaz Vakhitov	44	8	—	10	9	9	8
9	Dmitry Vorobiev	43	8	7	—	10	9	9
10	Gleb Pestretsov	41	9	—	8	8	8	8
11	Alexei Matusevski	36	—	—	8	9	9	10
12	b4bf4713872a	35	10	10	—	8	—	7
13	Igor Gorin	34	9	8	—	—	8	9
14	Iurii Samusevich	34	—	—	8	10	8	8
15	Andrey Konduktorov	27	—	—	—	9	10	8
16	Nikolai Vdovin	26	—	—	—	8	10	8
17	Danil Kulminskiy	25	—	—	—	9	8	8
18	Iurii Gapaniuk	24	—	—	—	9	7	8
19	Albina Rodina	21	—	—	—	8	4	9
20	Nikita Sidorov	17	—	—	—	—	8	9
21	Vladimir Podshivalov	14	—	—	—	—	8	6
22	Olga	14	—	—	—	—	7	7
23	MIKHAIL MOKRONOSOV	9	—	—	—	—	—	9
24	Vladimir aka voloch Akhremenko	9	—	—	—	—	—	9
25	exect feel	8	—	—	—	—	—	8
26	Dmitry Akimov	8	—	—	—	—	—	8
27	Stebenkov Andrey	8	—	—	—	—	—	8
28	Miss Pibodi	8	—	—	—	—	—	8
29	Artemii Golikov	8	—	—	—	—	—	8
30	Viktor Vialov	7	—	—	—	—	—	7
31	Egor Postovalov	6	—	—	—	—	—	6
32	Anastasiia Iziumova	5	—	—	—	—	—	5
33	3726f283e29b	5	—	—	—	—	—	5