Обучение с подкреплением (курс лекций) / 2021

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Расписание занятий)
(Домашние задания)
Строка 38: Строка 38:
!Лабораторная !! Ориентировочная дата выдачи<br>(может быть изменена!) !! Срок !! Баллы !! Штраф<br> за день опоздания
!Лабораторная !! Ориентировочная дата выдачи<br>(может быть изменена!) !! Срок !! Баллы !! Штраф<br> за день опоздания
|-
|-
-
| CEM || 14 сентября || 1 неделя || 10 (+5 бонусных) || -0.3
+
| CEM || 14 сентября || 1 неделя || 10 || -0.3
|-
|-
-
| Dyn. prog. || 28 сентября || 1 неделя || 10 || -0.3
+
| Dyn. prog. || 21 сентября || 1 неделя || 10 || -0.3
|-
|-
-
| DQN || 12 октября || 2 недели || 20 || -0.6
+
| DQN || 5 октября || 2 недели || 20 || -0.6
|-
|-
-
| A2C || 2 ноября || 2 недели || 20 || -0.6
+
| A2C || 19 октября || 2 недели || 20 || -0.6
|-
|-
-
| PPO || 23 ноября || 2 недели || 20 || -0.6
+
| PPO || 2 ноября || 2 недели || 20 || -0.6
|-
|-
-
| MCTS || 14 декабря || 2 недели || 20 || -0.6
+
| MCTS || 23 ноября || 2 недели || 20 || -0.6
|}
|}

Версия 19:19, 15 сентября 2021

В отличие от классического машинного обучения, в обучении с подкреплением алгоритму на вход не поступает обучающая выборка. Вместо этого, обучение проводится "методом проб и ошибок": агент должен сам собрать данные в ходе взаимодействия с окружающим миром (средой) и на основе собранного опыта научиться максимизировать получаемый отклик - подкрепление, или награду. Курс направлен на изучение алгоритмов последних лет, показывающих state-of-the-art результаты во многих задачах дискретного и непрерывного управления за счёт совмещения классической теории с парадигмой глубинного обучения.

Читается в 3-м семестре для магистров каф. ММП.

Преподаватели: Кропотов Дмитрий, Бобров Евгений, Иванов Сергей, Темирчев Павел

Расписание: по вторникам в 12-15, ауд. 507

Канал в Telegram: ссылка

Содержание

Критерии оценки

В курсе предусмотрено шесть лабораторных работ в формате ноутбуков и устный экзамен. Итоговая оценка по курсу в 10-балльной шкале рассчитывается по формуле:

Итоговая оценка = Округл.вверх (0.3 * Экз + 0.7 * Лаб)

Оценке 5 в пятибалльной шкале соответствует оценка 8 и выше, оценке 4 - оценка [6, 8), оценке 3 - промежуток [4, 6). Помимо баллов необходимо также выполнить следующие условия:

Итог Необходимые условия
5 сдано не менее 5 заданий, оценка за экзамен >= 6
4 сдано не менее 4 заданий, оценка за экзамен >= 4
3 сдано не менее 3 заданий, оценка за экзамен >= 4

Домашние задания

Сдавать лабораторные можно в течение недели после мягкого дедлайна. За некоторые задания можно будет получить бонусные баллы, о чем будет объявляться при выдаче задания. Максимальный балл за лабораторные - 100 баллов; итоговая оценка за лабораторные получается делением на десять.

Лабораторные, сданные позже недели после мягкого дедлайна, не приносят баллов, но учитываются в необходимых условиях для конкретной оценки (см. выше).

Лабораторная Ориентировочная дата выдачи
(может быть изменена!)
Срок Баллы Штраф
за день опоздания
CEM 14 сентября 1 неделя 10 -0.3
Dyn. prog. 21 сентября 1 неделя 10 -0.3
DQN 5 октября 2 недели 20 -0.6
A2C 19 октября 2 недели 20 -0.6
PPO 2 ноября 2 недели 20 -0.6
MCTS 23 ноября 2 недели 20 -0.6

Экзамен

На экзамене все студенты берут случайный билет. В течение часа студент самостоятельно пишет ответ на экзаменационный вопрос. При этом можно пользоваться любыми материалами. Далее студент устно отвечает билет экзаменатору.

Список вопросов к экзамену: TBA

Расписание занятий

Занятие Материалы Дополнительные материалы
Лекция

7 сентября

Введение в курс. Кросс-энтропийный метод (CEM).
Лекция

14 сентября

Динамическое программирование. Value Iteration, Policy Iteration.
Семинар

14 сентября

Библиотека OpenAI gym. Реализация табличного кросс-энтропийного метода.
Лекция

21 сентября

Табличные методы
Семинар

28 сентября

Q-обучение.
Лекция

5 октября

DQN и его модификации
Лекция

12 октября

Distributional RL. Categorical DQN (c51), Quantile Regression DQN (QR-DQN).
Лекция

19 октября

Policy gradient подход. Advantage Actor-Critic (A2C).
Семинар

19 октября

REINFORCE
Лекция

26 октября

Trust-Region Policy Optimization (TRPO).
Лекция

2 ноября

Generalized Advantage Estimation (GAE). Proximal Policy Optimization (PPO).
Лекция

9 ноября

Deep Deterministic Policy Gradient (DDPG). Soft Actor-Critic (SAC).
Лекция

16 ноября

Имитационное обучение. Обратное обучение с подкреплением.
Лекция

23 ноября

Monte-Carlo Tree Search. AlphaZero, MuZero.
Лекция

30 ноября

Linear Quadratic Regulator (LQR). Model-based RL.

Страницы курса прошлых лет

2020й год

Материалы

Личные инструменты