Praktinis mokymas pastiprinamajam mokymuisi autonominiams transporto priemonėms
Struktūrizuotas kursas, skirtas suprasti RL principus nuo Markovian sprendimų procesų iki policy gradient metodų. Skirtas pradedantiesiems ir vidurinės kvalifikacijos inžinieriams, norintiems išmokti, kaip šie algoritmai veikia autonominėse sistemose. Apimama praktinė kodavimo dalis su Q-learning ir neural network integracijos pagrindiniais pavyzdžiais.
Daugiau informacijosPraktinis mokymas, kuriame mokote kurti realistiškus testavimo scenarijus autonominiams transporto priemonėms. Sužinosite, kaip nustatyti simuliacijos aplinkas, apibrėžti svarbias metrikos ir KPI, bei identifikuoti rizikos šaltinius. Kurse akcentuojami realūs iššūkiai: sausos kelio sąlygos, prastos oro sąlygos, neprediktuoti dalyviai.
Daugiau informacijosIntensyvus mokymas, skirtas diegti giluminio pastiprinamojo mokymosi (Deep RL) modelius į realias autonominio transporto sistemas. Apima actor-critic architektūras, duomenų rinkimą iš simuliatorių ir tikrų robotų, bei modelio validavimą prieš jį naudojant realiose aplinkose.
Daugiau informacijosMažesnė tikslinė programa, apimanti jau esamų RL modelių vertinimą, jų veikimo analizę ir tobulinimą. Moksite, kaip naudoti A/B testus, sukurti grįžtamojo ryšio ciklus ir naudoti reward shaping technikas siekiant geresnių rezultatų.
Daugiau informacijosSusisiekite su mumis ir sužinokite, kuris kursas geriausiai atitinka jūsų poreikius.
Susisiekti su mumis