Bölüm 8 · Robotlar için reinforcement learning

Simülasyonda reward’dan davranış öğrenmek ve bunu robotlarda çalıştıran tasarım kararları.

Önce öğren

Bu bölüm aşağıdakileri bildiğini varsayar. Yeni olan varsa önce AI Engineering from Scratch’te öğren:

• MDPs, States, Actions & Rewards
• Dynamic Programming — Policy Iteration & Value Iteration
• Temporal Difference — Q-Learning & SARSA
• Policy Gradient — REINFORCE from Scratch
• Actor-Critic — A2C and A3C
• Proximal Policy Optimization (PPO)
• Introduction to JAX

Dersler

#	Ders	Çalışma türü	Süre	Durum
32	Bir MuJoCo RL environment’ı	CPU	~45 dk	✅ tam
33	Continuous control için PPO	CPU	~75 dk	✅ tam
34	Observation ve action tasarımı	CPU	~60 dk	✅ tam
35	Reward tasarımı ve reward hacking	CPU	~60 dk	✅ tam
36	Legged locomotion ve massively parallel training	GPU	~90 dk	✅ tam