Обучение с подкреплением (курс лекций) / 2022
Материал из MachineLearning.
Cydoroga (Обсуждение | вклад)
(Новая: 250px В отличие от классического машинного обучения, в обучении с подкреплени...)
К следующему изменению →
Версия 12:28, 16 сентября 2022
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
По курсу предусмотрен экзамен, дата и время будут анонсированы позже.
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
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 | 1 неделя | 10 | -0.3 |
| Dyn. prog. | 23 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 | |
|---|---|---|---|
| Лекция 16 сентября | Введение в курс. Кросс-энтропийный метод (CEM). | ||
| Семинар 16 сентября | Библиотека OpenAI gym. Реализация табличного кросс-энтропийного метода. | ||
| Лекция 23 сентября | Динамическое программирование. Value Iteration, Policy Iteration. |
| |
| Семинар 23 сентября | Динамическое программирование. Value Iteration, Policy Iteration. | ||
| Лекция 30 сентября | Табличные методы. TD-обучение. |
| |
| Семинар 30 сентября | Табличное Q-обучение. | ||
| Лекция 7 октября | Deep Q-Network (DQN) и его модификации. | ||
| Семирнар 7 октября | Модификации DQN. | ||
| Лекция 14 октября | Distributional RL. Quantile Regression DQN (QR-DQN). | ||
| Семинар 14 октября | Distributional RL - продолжение. | ||
| Лекция 21 октября | Многорукие бандиты. | ||
| Семинар 21 октября | Внутренняя мотивация для исследования среды. | ||
| Лекция 28 октября | Policy gradient подход. Advantage Actor-Critic (A2C). |
| |
| Семинар 28 октября | REINFORCE. | ||
| Лекция 11 ноября | Trust-Region Policy Optimization (TRPO). | ||
| Лекция 18 ноября | Proximal Policy Optimization (PPO). | ||
| Семинар 18 ноября | Generalized Advantage Estimation (GAE). |
| |
| Лекция 25 ноября | Непрерывное управление. | ||
| Семинар 25 ноября | Soft Actor Critic. Управление, как вероятностный вывод. | ||
| 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 |
