Обучение с подкреплением (курс лекций) / 2023
Материал из MachineLearning.
(→Расписание занятий) |
|||
| Строка 113: | Строка 113: | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''29 сентября'' |
| + | | Очно | ||
| Deep Q-Network (DQN) и его модификации. | | Deep Q-Network (DQN) и его модификации. | ||
| | | | ||
| Строка 125: | Строка 126: | ||
* [https://openreview.net/pdf?id=r1lyTjAqYX R2D2] | * [https://openreview.net/pdf?id=r1lyTjAqYX R2D2] | ||
* [https://arxiv.org/abs/2003.13350 Agent57] | * [https://arxiv.org/abs/2003.13350 Agent57] | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''6 октября'' |
| + | | Очно | ||
| Distributional RL. Quantile Regression DQN (QR-DQN). | | Distributional RL. Quantile Regression DQN (QR-DQN). | ||
| | | | ||
| Строка 143: | Строка 137: | ||
* [https://arxiv.org/pdf/1806.06923.pdf Implicit Quantile Networks (IQN)] | * [https://arxiv.org/pdf/1806.06923.pdf Implicit Quantile Networks (IQN)] | ||
* [https://arxiv.org/pdf/1710.02298.pdf Rainbow DQN] | * [https://arxiv.org/pdf/1710.02298.pdf Rainbow DQN] | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''13 октября'' |
| - | | Многорукие бандиты. | + | | Очно |
| + | | Многорукие бандиты, внутренняя мотивация для исследования среды. | ||
| | | | ||
* [https://banditalgs.com полезный ресурс по бандитам] | * [https://banditalgs.com полезный ресурс по бандитам] | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
* [[Media:Exploration-vs-exploitation.pdf|Слайды занятия]] | * [[Media:Exploration-vs-exploitation.pdf|Слайды занятия]] | ||
* [https://drive.google.com/file/d/1Z4W_-0IaMNpZnhnMkqcDVM_EA79GFJo-/view Sutton, Barto], ch.2 | * [https://drive.google.com/file/d/1Z4W_-0IaMNpZnhnMkqcDVM_EA79GFJo-/view Sutton, Barto], ch.2 | ||
| Строка 172: | Строка 152: | ||
* [https://arxiv.org/abs/1605.09674 Variational Information Maximizing Exploration (VIME)] | * [https://arxiv.org/abs/1605.09674 Variational Information Maximizing Exploration (VIME)] | ||
* [https://arxiv.org/abs/2002.06038 Never Give Up (NGU)] | * [https://arxiv.org/abs/2002.06038 Never Give Up (NGU)] | ||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''20 октября'' |
| + | | Очно | ||
| Policy gradient подход. Advantage Actor-Critic (A2C). | | Policy gradient подход. Advantage Actor-Critic (A2C). | ||
| | | | ||
| Строка 183: | Строка 163: | ||
* [https://lilianweng.github.io/lil-log/2018/04/08/policy-gradient-algorithms.html#what-is-policy-gradient Обзор Policy Gradient алгоритмов] | * [https://lilianweng.github.io/lil-log/2018/04/08/policy-gradient-algorithms.html#what-is-policy-gradient Обзор Policy Gradient алгоритмов] | ||
* [https://hackernoon.com/intuitive-rl-intro-to-advantage-actor-critic-a2c-4ff545978752 Комикс про A2C] | * [https://hackernoon.com/intuitive-rl-intro-to-advantage-actor-critic-a2c-4ff545978752 Комикс про A2C] | ||
| - | |||
|- | |- | ||
| Семинар<br> | | Семинар<br> | ||
''28 октября'' | ''28 октября'' | ||
| - | | | + | | Онлайн |
| - | | | + | | Реализация policy gradient |
| | | | ||
| | | | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''27 октября'' |
| + | | Онлайн | ||
| Trust-Region Policy Optimization (TRPO). | | Trust-Region Policy Optimization (TRPO). | ||
| | | | ||
* [https://arxiv.org/pdf/1502.05477.pdf TRPO] | * [https://arxiv.org/pdf/1502.05477.pdf TRPO] | ||
| - | |||
| | | | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
''18 ноября'' | ''18 ноября'' | ||
| - | | Proximal Policy Optimization (PPO). | + | | Очно |
| + | | Proximal Policy Optimization (PPO) и Generalized Advantage Estimation (GAE). | ||
| | | | ||
* [[Media:MSU_2021_PPO.pdf|Слайды занятия]] | * [[Media:MSU_2021_PPO.pdf|Слайды занятия]] | ||
* [https://arxiv.org/pdf/1707.06347.pdf PPO] | * [https://arxiv.org/pdf/1707.06347.pdf PPO] | ||
| + | * [https://arxiv.org/pdf/1506.02438.pdf GAE] | ||
| | | | ||
* [https://arxiv.org/pdf/2005.12729.pdf Implementation matters in RL] | * [https://arxiv.org/pdf/2005.12729.pdf Implementation matters in RL] | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
* [https://drive.google.com/file/d/1Z4W_-0IaMNpZnhnMkqcDVM_EA79GFJo-/view Sutton, Barto], ch.12 | * [https://drive.google.com/file/d/1Z4W_-0IaMNpZnhnMkqcDVM_EA79GFJo-/view Sutton, Barto], ch.12 | ||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''10 ноября'' |
| - | | | + | | Очно |
| + | | DDPG, Soft Actor Critic. | ||
| | | | ||
* [https://arxiv.org/pdf/1509.02971.pdf Deep Deterministic Policy Gradient (DDPG)] | * [https://arxiv.org/pdf/1509.02971.pdf Deep Deterministic Policy Gradient (DDPG)] | ||
| Строка 228: | Строка 201: | ||
| | | | ||
* [https://arxiv.org/abs/2005.04269 Truncated Quantile Critics (TQC)] | * [https://arxiv.org/abs/2005.04269 Truncated Quantile Critics (TQC)] | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
* [https://arxiv.org/pdf/1805.00909.pdf RL as probabilistic inference] | * [https://arxiv.org/pdf/1805.00909.pdf RL as probabilistic inference] | ||
| - | |||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
Версия 14:12, 28 августа 2023
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 для магистров 617-й, 522-й и 622-й групп.
Преподаватели: Кропотов Дмитрий, Темирчев Павел, Илья Синильщиков, Алексей Медведев, Дмитрий Медведев, Владимир Ипполитов, Миньчуань Сюй.
Расписание: Занятия проводятся в смешанном онлайн/офлайн формате. Распределение см. в расписании занятий ниже.
- лекции: по пятницам в 14-35, ауд. ??
- семинары: по пятницам в 16:20, ауд. ??
Канал в Telegram: ссылка
Видеозаписи занятий: TBA
Содержание |
Критерии оценки
В курсе предусмотрено шесть лабораторных работ в формате ноутбуков и письменный 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 |
|---|---|---|---|---|
| Deep Crossentropy Method | 8 сентября | 1 неделя | 10 | -0.3 |
| Policy Iteration + Theory | 15 сентября | 1 неделя | 10 | -0.3 |
| DQN | 29 сентября | 2 недели | 20 | -0.6 |
| A2C | 20 октября | 2 недели | 20 | -0.6 |
| PPO | 10 ноября | 2 недели | 20 | -0.6 |
| MCTS | 1 декабря | 2 недели | 20 | -0.6 |
Расписание занятий
| Дата | Формат | Занятие | Материалы | Дополнительные материалы |
|---|---|---|---|---|
| Лекция 8 сентября | Онлайн | Введение в курс. Кросс-энтропийный метод (CEM). | ||
| Семинар 8 сентября | Онлайн | Библиотека OpenAI gym. Реализация табличного кросс-энтропийного метода. | ||
| Лекция 15 сентября | Онлайн | Динамическое программирование. Value Iteration, Policy Iteration. |
| |
| Семинар 15 сентября | Онлайн | Реализация Value Iteration. | ||
| Лекция 22 сентября | Очно | Табличные методы. TD-обучение, Q-обучение. |
| |
| Семинар 22 сентября | Онлайн | Табличное Q-обучение. | ||
| Лекция 29 сентября | Очно | Deep Q-Network (DQN) и его модификации. | ||
| Лекция 6 октября | Очно | Distributional RL. Quantile Regression DQN (QR-DQN). | ||
| Лекция 13 октября | Очно | Многорукие бандиты, внутренняя мотивация для исследования среды. | ||
| Лекция 20 октября | Очно | Policy gradient подход. Advantage Actor-Critic (A2C). |
| |
| Семинар 28 октября | Онлайн | Реализация policy gradient | ||
| Лекция 27 октября | Онлайн | Trust-Region Policy Optimization (TRPO). | ||
| Лекция 18 ноября | Очно | Proximal Policy Optimization (PPO) и Generalized Advantage Estimation (GAE). | ||
| Лекция 10 ноября | Очно | DDPG, Soft Actor Critic. | ||
| Лекция 2 декабря | Имитационное обучение. | |||
| Семинар 2 декабря | Обратное обучение с подкреплением. | |||
| Лекция 9 декабря | Monte Carlo Tree Search. | |||
| Семинар 9 декабря | AlphaZero, MuZero. | |||
| Лекция 16 декабря | Linear Quadratic Regulator (LQR). Model-based RL. | |||
| Семинар 16 декабря | Dreamer |
