Dieser Kurs ist Teil der Spezialisierung Spezialisierung Verstärkungslernen

4.8
Sterne
2,538 Bewertungen

93 %

Martha White +1 weiterer Dozent

74.224 bereits angemeldet

von

University of Alberta

Alberta Machine Intelligence Institute

Spezialisierung VerstärkungslernenUniversity of Alberta

Über diesen Kurs

104.310 kürzliche Aufrufe

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.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 1 von 4 in

Spezialisierung Verstärkungslernen

Stufe „Mittel“

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

Ca. 15 Stunden zum Abschließen

Englisch

Was Sie lernen werden

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

Kompetenzen, die Sie erwerben

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

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 1 von 4 in

Spezialisierung Verstärkungslernen

Stufe „Mittel“

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

Ca. 15 Stunden zum Abschließen

Englisch

Dozenten

Dozentenbewertung

4,7/5 (728 Bewertungen)

Martha White

Adam White

von

University of Alberta

Alberta Machine Intelligence Institute

Lehrplan - Was Sie in diesem Kurs lernen werden

Inhaltsbewertung93%(18,026 Bewertungen)

Woche1

Woche 1

1 Stunde zum Abschließen

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 Stunde zum Abschließen

4 Videos (Gesamt 20 min), 2 Lektüren

4 Stunden zum Abschließen

An Introduction to Sequential Decision-Making

4 Stunden zum Abschließen

8 Videos (Gesamt 46 min), 3 Lektüren, 2 Quiz

8 Videos

Sequential Decision Making with Evaluative Feedback5mLearning Action Values4mEstimating Action Values Incrementally5mWhat is the trade-off?7mOptimistic Initial Values6mUpper-Confidence Bound (UCB) Action Selection5mJonathan Langford: Contextual Bandits for Real World Reinforcement Learning8mWeek 1 Summary3m

3 Lektüren

Module 1 Learning Objectives10mWeekly Reading30mChapter Summary30m

1 praktische Übung

Sequential Decision-Making45m

Woche2

Woche 2

3 Stunden zum Abschließen

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 Stunden zum Abschließen

7 Videos (Gesamt 36 min), 2 Lektüren, 2 Quiz

Woche3

Woche 3

3 Stunden zum Abschließen

Value Functions & Bellman Equations

3 Stunden zum Abschließen

9 Videos (Gesamt 56 min), 3 Lektüren, 2 Quiz

9 Videos

Specifying Policies4mValue Functions6mRich Sutton and Andy Barto: A brief History of RL7mBellman Equation Derivation6mWhy Bellman Equations?5mOptimal Policies7mOptimal Value Functions5mUsing Optimal Value Functions to Get Optimal Policies8mWeek 3 Summary4m

3 Lektüren

Module 3 Learning Objectives10mWeekly Reading30mChapter Summary13m

2 praktische Übungen

[Practice] Value Functions and Bellman Equations45m[Graded] Value Functions and Bellman Equations45m

Woche4

Woche 4

4 Stunden zum Abschließen

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 Stunden zum Abschließen

10 Videos (Gesamt 72 min), 3 Lektüren, 2 Quiz

10 Videos

Policy Evaluation vs. Control4mIterative Policy Evaluation8mPolicy Improvement4mPolicy Iteration8mFlexibility of the Policy Iteration Framework4mEfficiency of Dynamic Programming5mWarren Powell: Approximate Dynamic Programming for Fleet Management (Short)7mWarren Powell: Approximate Dynamic Programming for Fleet Management (Long)21mWeek 4 Summary2mCongratulations!3m

3 Lektüren

Module 4 Learning Objectives10mWeekly Reading30mChapter Summary30m

1 praktische Übung

Dynamic Programming45m

Bewertungen

4.8

614 Bewertungen

5 stars
82,02 %
4 stars
14,58 %
3 stars
2,35 %
2 stars
0,35 %
1 star
0,66 %

Top-Bewertungen von FUNDAMENTALS OF REINFORCEMENT LEARNING

von HS19. Sep. 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.

von NS1. Jan. 2020

Very well designed, it is clear that a lot of thought was put into the course. Also, I really liked the clarity regarding the learning objectives and the emphasis on understanding.

von CC5. Mai 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.

von HC18. Feb. 2020

Excellent and well done course on some of the basics of RL. Good mix of lectures, reading, quizzes and programming assignments. Also a good balance between pure theory and examples.

Alle Bewertungen anzeigen

Über den Spezialisierung Verstärkungslernen

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.

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Fundamentals of Reinforcement Learning

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben