Обучение с подкреплением (курс лекций) / 2023
Материал из MachineLearning.
(→Расписание занятий) |
(→Расписание занятий) |
||
| Строка 165: | Строка 165: | ||
|- | |- | ||
| Семинар<br> | | Семинар<br> | ||
| - | '' | + | ''20 октября'' |
| Онлайн | | Онлайн | ||
| Реализация policy gradient | | Реализация policy gradient | ||
| Строка 180: | Строка 180: | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''3 ноября'' |
| Очно | | Очно | ||
| Proximal Policy Optimization (PPO) и Generalized Advantage Estimation (GAE). | | Proximal Policy Optimization (PPO) и Generalized Advantage Estimation (GAE). | ||
| Строка 204: | Строка 204: | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''17 ноября'' |
| - | | Имитационное обучение. | + | | Очно |
| - | + | | Имитационное обучение. Обратное обучение с подкреплением. | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| | | | ||
* [https://arxiv.org/pdf/1603.00448.pdf Guided Cost Learning] | * [https://arxiv.org/pdf/1603.00448.pdf Guided Cost Learning] | ||
* [https://arxiv.org/pdf/1606.03476.pdf Generative Adversarial Imitation Learning (GAIL)] | * [https://arxiv.org/pdf/1606.03476.pdf Generative Adversarial Imitation Learning (GAIL)] | ||
| - | |||
| | | | ||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
| - | '' | + | ''24 ноября'' |
| - | | Monte Carlo Tree Search. | + | | Очно |
| - | + | | Monte Carlo Tree Search. AlphaZero, MuZero. | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| | | | ||
* [https://discovery.ucl.ac.uk/id/eprint/10045895/1/agz_unformatted_nature.pdf AlphaZero] | * [https://discovery.ucl.ac.uk/id/eprint/10045895/1/agz_unformatted_nature.pdf AlphaZero] | ||
| Строка 234: | Строка 221: | ||
| | | | ||
* [https://miro.medium.com/max/2000/1*0pn33bETjYOimWjlqDLLNw.png AlphaZero in one picture] | * [https://miro.medium.com/max/2000/1*0pn33bETjYOimWjlqDLLNw.png AlphaZero in one picture] | ||
| - | |||
|- | |- | ||
| Лекция<br> | | Лекция<br> | ||
Версия 14:15, 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 20 октября | Онлайн | Реализация policy gradient | ||
| Лекция 27 октября | Онлайн | Trust-Region Policy Optimization (TRPO). | ||
| Лекция 3 ноября | Очно | Proximal Policy Optimization (PPO) и Generalized Advantage Estimation (GAE). | ||
| Лекция 10 ноября | Очно | DDPG, Soft Actor Critic. | ||
| Лекция 17 ноября | Очно | Имитационное обучение. Обратное обучение с подкреплением. | ||
| Лекция 24 ноября | Очно | Monte Carlo Tree Search. AlphaZero, MuZero. | ||
| Лекция 16 декабря | Linear Quadratic Regulator (LQR). Model-based RL. | |||
| Семинар 16 декабря | Dreamer |
