Онлайн

Reinforcement Learning

Name: Reinforcement Learning
Price: 71000 RUB
Availability: InStock
Author: Сергей Кукушкин

Продвинутый курс по обучению с подкреплением (Reinforcement Learning) от OTUS предназначен для ML-инженеров, Data Scientist, разработчиков и аналитиков, желающих освоить RL и внедрять его в игры, робототехнику, финансы и другие области. Курс охватывает классические и глубокие алгоритмы RL, а также продвинутые методы, завершается проектной работой.

Формат: Онлайн

Чему вы научитесь

Применять классические алгоритмы RL: Q-learning, SARSA, Monte Carlo
Строить модели окружения и обучать агентов для решения задач
Использовать нейронные сети в RL и алгоритмы Deep RL (DQN, PPO)
Применять продвинутые методы: оптимальное управление, обучение со скользящим горизонтом, Model-based RL
Решать практические задачи с помощью RL в играх, робототехнике, финансах и рекомендательных системах
Создавать ботов и NPC, обучающихся и подстраивающихся под игрока
Разрабатывать алгоритмы автоматической торговли на финансовых рынках
Строить персонализированные рекомендательные системы
Оптимизировать процессы управления в производстве и энергетике

Программа курса

5 модулей

1Введение в Reinforcement Learning
- Знакомство с Reinforcement Learning
- Ключевые понятия RL: агент, среда, награда, политика. Построение среды
- Основные алгоритмы RL: Value based
- Основные алгоритмы RL: Policy based
2Deep Reinforcement Learning
- Введение в Deep Reinforcement Learning
- Deep Q-Network (DQN) алгоритм
- Deep Policy Gradient (PG) алгоритм
- Actor-Critic алгоритм
- TRPO -> PPO
- DDPG -> TD3 -> LSTM-TD3
3Advanced Reinforcement Learning
- Обучение с использованием модели среды (model-based rl)
- Model-based, часть 2
- Иерархическое обучение с подкреплением
- Выбор темы и организация проектной работы
- Многоагентное обучение и кооперация агентов
- Трансформеры в RL: decision transformers и action transformers
4Применение RL в реальных задачах
- Применение RL в игровой индустрии
- Применение RL в робототехнике
- RL в рекомендательных системах
- RL в задаче скоринга
- Применение RL в управлении финансовым портфелем
5Проектная работа
- Консультация по проектам и домашним заданиям
- Предзащита
- Защита проектных работ. Подведение итогов курса

Преподаватели: Игорь Стурейко, Андрей Канашов, Сергей Доронин, Анастасия Капралова, Екатерина Дмитриева

Кому подойдёт курс

ML-инженеры

Научатся внедрять RL в продакшн для оптимизации систем, трейдинга и управления ресурсами.

Специалисты по Data Science

Смогут применять RL в задачах, где классический ML неэффективен, и комбинировать его с NLP и рекомендательными системами.

Fullstack-разработчики

Освоят RL для создания интеллектуальных приложений и смогут перейти в ML-направление.

Системные аналитики

Изучат RL для проектирования AI-решений в бизнесе и поймут возможности и ограничения RL.

Deep Learning инженеры

Углубят знания в Deep RL для робототехники, игрового AI и гибридных архитектур.

Подготовка: Базовое знакомство с Python, базовые знания линейной алгебры (матрицы, векторы, градиентный спуск), базовые навыки работы с ML (pandas, sklearn, линейная и логистическая регрессия).

Как проходит обучение

Формат: онлайн
Расписание: 2 занятия в неделю по 2 академических часа, доступны в записи в любое время
Практика: Домашние задания с проверкой и обратной связью, выпускной проект

Бонусы: Jupyter Notebook с разбором практического кейса по итогам большинства вебинаров; Доступ к записям и материалам навсегда; Размещение резюме в базе OTUS для приглашения на интервью партнёрами; Возможность получить рекомендательное письмо от преподавателя

Стоимость обучения

Для частных лиц 71 000 ₽

Сравнение с рубрикой «IT и программирование» (1504 курсов с ценой): медиана — 44 000 ₽, большинство программ — от 5 000 ₽ до 148 400 ₽. Этот курс дороже медианы на 61%.

5 000 ₽148 400 ₽

Смотреть курсы рубрики подешевле →

Плюсы и минусы

Оценка редакции Курсографа по фактам со страницы курса.

Сильные стороны

Программа охватывает широкий спектр тем: от классических алгоритмов RL до продвинутых методов и практических применений.
Обучение проходит онлайн в записи, что позволяет совмещать с работой.
Домашние задания проверяются преподавателями, предусмотрена обратная связь.
Выпускной проект можно адаптировать под свою область интересов.

На что обратить внимание

Курс требует базовой подготовки по Python, линейной алгебре и ML.
Стоимость обучения не указана на странице, требуется уточнение.
Формат только онлайн в записи, без живых вебинаров (согласно разделу «Процесс обучения»).

Отзывы о школе OTUS

О школе пока нет отзывов на Курсографе.

Учились здесь? Оставьте отзыв

Частые вопросы о курсе

Какой формат обучения?

Курс проводится онлайн в записи, с проверкой домашних заданий и обратной связью от преподавателей. Занятия доступны в личном кабинете в любое время.

Сколько времени нужно уделять в неделю?

Рекомендуется проходить 2 занятия в неделю по 2 академических часа, плюс время на выполнение домашних заданий.

Какие требования к подготовке?

Необходимо базовое знание Python, линейной алгебры (матрицы, векторы, градиентный спуск) и навыки работы с ML (pandas, sklearn, линейная и логистическая регрессия).

Выдаётся ли документ об окончании?

Информация о выдаваемом документе на странице курса отсутствует.

Можно ли оплатить курс от работодателя?

Да, курс может быть оплачен работодателем или разделён 50/50. Для этого нужно оставить заявку на корпоративное обучение.