18. diel - Deep Q-learning v Pythone
V minulej lekcii, Q-Learning v Pythone , sme si ukázali Q-Learning v Pythone na príklade MountainCar.
Motivácia
V minulom článku sme vytvorili Q-learning algoritmus, ktorý sa zvládol naučiť MountainCar. Aj keď to tak vyzerať nemusí, v porovnaní s inými hrami išlo o veľmi jednoduché prostredie, v ktorom nám stačilo poznať len dve informácie – rýchlosť a pozícia agenta. V takom jednoduchom prípade nám naozaj stačí jednoduchá tabuľka na udržanie hodnôt kvality jednotlivých a
...koniec náhľadu článku...
Pokračuj ďalej
Došiel si až sem a to je super! Veríme, že ti prvé lekcie ukázali niečo nového a užitočného.
Chceš v kurze pokračovať? Prejdi do prémiovej sekcie.
ročné PREDPLATNÉ
44 €
mesačne, platené ročne (528 €)14 000+ lekcií, cvičení a testov
6 000+ ti zostane navždy
Neobmedzený prístup ku všetkým aktuálnym
aj pripravovaným kurzom.
Kúpiť iba tento kurz
Získaj okamžitý prístup ku kurzu bez
časového obmedzenia.
27 €
Obsah článku spadá pod licenciu Premium, kúpou článku súhlasíš s Prevádzkovými podmienkami.
- Prístup k jednotlivým lekciám podľa spôsobu obstarania.
- Kvalitné znalosti v oblasti IT.
- Zručnosti, ktoré ti pomôžu získať vysnívanú a dobre platenú prácu.
Popis článku
Požadovaný článok má nasledujúci obsah:
Popis a tvorba vlastného DQN (Deep Q-Learning) algoritmu v Pythone a jeho využitie pre Cartpole prostredie v OpenAI Gym.
