Обучение с подкреплением (курс лекций) / 2022

Материал из MachineLearning.

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, Темирчев Павел, Илья Синильщиков, Алексей Медведев

Расписание:

• лекции: по пятницам в 14-35, ауд. 729
• семинары: по пятницам в 16:20, ауд. 729

Канал в Telegram: ссылка

Видеозаписи занятий: ссылка

По курсу предусмотрен экзамен, дата и время будут анонсированы позже.

Содержание 1 Критерии оценки 2 Домашние задания 3 Экзамен 4 Расписание занятий 5 Страницы курса прошлых лет 6 Материалы

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

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

Сдавать лабораторные можно в течение недели после мягкого дедлайна (работы сданные в этот период облагаются штрафом: см. таблицу ниже). 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	16 сентября	2 недели	10	-0.3
Dyn. prog.	30 сентября	1 неделя	10	-0.3
DQN	7 октября	2 недели	20	-0.6
A2C	28 октября	2 недели	20	-0.6
PPO	18 ноября	2 недели	20	-0.6
MCTS	9 декабря	2 недели	20	-0.6

Экзамен

Экзамен состоится очно, дата проведения будет объявлена позже. 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 и обсуждаются различные вопросы по курсу уже без использования материалов. Для положительной оценки за экзамен необходимо также справиться с вопросами из теоретического минимума.

Здесь будет список вопросов к экзамену

Расписание занятий

	Занятие	Материалы	Дополнительные материалы	Видеозапись
Лекция 16 сентября	Введение в курс. Кросс-энтропийный метод (CEM).	CEM for optimization Tetris with CEM	OpenAI ES Обзор эволюционных стратегий WANN
Семинар 16 сентября	Библиотека OpenAI gym. Реализация табличного кросс-энтропийного метода.
Лекция 23 сентября	Динамическое программирование. Value Iteration, Policy Iteration.	Sutton, Barto, ch.3-4	A (Long) Peek into Reinforcement Learning
Семинар 23 сентября	Динамическое программирование. Value Iteration, Policy Iteration.
Лекция 30 сентября	Табличные методы. TD-обучение.	Слайды занятия Sutton, Barto, ch.5-6	Визуализация TD-обучения (distill)
Семинар 30 сентября	Табличное Q-обучение.
Лекция 7 октября	Deep Q-Network (DQN) и его модификации.	Слайды занятия DQN Double DQN Prioritized Experience Replay Noisy Networks Dueling DQN	R2D2 Agent57
Семирнар 7 октября	Модификации DQN.
Лекция 14 октября	Distributional RL. Quantile Regression DQN (QR-DQN).	Categorical DQN QR-DQN	Implicit Quantile Networks (IQN) Rainbow DQN
Семинар 14 октября	Distributional RL - продолжение.
Лекция 21 октября	Многорукие бандиты.	полезный ресурс по бандитам
Семинар 21 октября	Внутренняя мотивация для исследования среды.	Слайды занятия Sutton, Barto, ch.2 Random Network Distillation (RND) Intrinsic Curiosity Module (ICM)	Обзор модулей внутренней мотивации Variational Information Maximizing Exploration (VIME) Never Give Up (NGU)
Лекция 28 октября	Policy gradient подход. Advantage Actor-Critic (A2C).	Sutton, Barto, ch.13 A2C	Обзор Policy Gradient алгоритмов Комикс про A2C
Семинар 28 октября	REINFORCE.
Лекция 11 ноября	Trust-Region Policy Optimization (TRPO).	TRPO
Лекция 18 ноября	Proximal Policy Optimization (PPO).	Слайды занятия PPO	Implementation matters in RL
Семинар 18 ноября	Generalized Advantage Estimation (GAE).	GAE	Sutton, Barto, ch.12
Лекция 25 ноября	Непрерывное управление.	Deep Deterministic Policy Gradient (DDPG) Twin-Delayed DDPG (TD3) Soft Actor-Critic (SAC)	Truncated Quantile Critics (TQC)
Семинар 25 ноября	Soft Actor Critic. Управление, как вероятностный вывод.	RL as probabilistic inference
Лекция 2 декабря	Имитационное обучение.
Семинар 2 декабря	Обратное обучение с подкреплением.	Guided Cost Learning Generative Adversarial Imitation Learning (GAIL)
Лекция 9 декабря	Monte Carlo Tree Search.
Семинар 9 декабря	AlphaZero, MuZero.	AlphaZero MuZero	AlphaZero in one picture
Лекция 16 декабря	Linear Quadratic Regulator (LQR). Model-based RL.	Презентация по MCTS и LQR Презентация по Model-based RL	World Models
Семинар 16 декабря	Dreamer	Dreamer v1 Dreamer v2

Страницы курса прошлых лет

2020й год
2021й год

Материалы

• Полунеофициальный конспект
• Курс Practical RL (ШАД)
• Курс Deep Reinforcement Learning (CS 285), UC Berkeley