La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Reinforcement Learning avec des réseaux de neurones profonds

Entraîner des agents de réseau de neurones profond en interagissant avec un environnement dynamique inconnu

Le Reinforcement Learning est une approche computationnelle dirigée par un objectif, où un agent apprend à exécuter une tâche en interagissant avec un environnement dynamique inconnu. Pendant l’apprentissage, l’algorithme d’apprentissage met à jour les paramètres de politique de l’agent. Le but de l’algorithme d’apprentissage est de trouver une politique optimale qui maximise la récompense à long terme reçue pendant la tâche.

Selon le type d’agent, la politique est représentée par une ou plusieurs représentations de la politique et de la fonction de valeur. Vous pouvez implémenter ces représentations avec des réseaux de neurones profonds. Vous pouvez ensuite entraîner ces réseaux avec le software Reinforcement Learning Toolbox™.

Pour plus d’informations, veuillez consulter Reinforcement Learning Using Deep Neural Networks.

Rubriques

Reinforcement Learning Using Deep Neural Networks
Reinforcement learning is a goal-directed computational approach where a computer learns to perform a task by interacting with an unknown dynamic environment.
Create Simulink Environment and Train Agent
Train a controller using reinforcement learning with a plant modeled in Simulink^® as the training environment.
Create DQN Agent Using Deep Network Designer and Train Using Image Observations
Create a reinforcement learning agent using the Deep Network Designer app from the Deep Learning Toolbox™.
Train DDPG Agent to Swing Up and Balance Pendulum with Image Observation
Train a reinforcement learning agent using an image-based observation signal.
Train DQN Agent for Lane Keeping Assist Using Parallel Computing
Train a reinforcement learning agent for a lane keeping assist application.
Imitate MPC Controller for Lane Keeping Assist
Train a deep neural network to imitate the behavior of a model predictive controller.