Name: Policy-based методы (Policy Gradient) — Обучение с подкреплением
Duration: 3 h 11 min
Description: От марковских процессов до выравнивания языковых моделей

Что разбирают и где

Тайм-коды записи, разобранные по темам атласа: под главой стоят темы, которые в ней названы, — из лекции можно уйти в текстовый разбор и вернуться.

Нажатие на тайм-код перематывает запись, не перезагружая страницу. Открыть на YouTube ↗

Policy Gradient
DQN
Exploration in RL Policy Gradient
Value Functions
DQN
Policy Gradient
MLP Policy Gradient
Policy Gradient
Policy Gradient
Reward Design
Policy Gradient Gradient
Gradient Policy Gradient
Policy Gradient
Policy Gradient
Discounting and Horizon Gradient
Policy Gradient Advantage Function
Gradient Variance
Baselines Variance
Baselines
Reward Design Advantage Function
Advantage Function
Exploration in RL
Reward Design
Advantage Function
Actor-Critic
Actor-Critic Advantage Function
Advantage Function
RNN
Actor-Critic Entropy
Actor-Critic
SARSA Actor-Critic DQN
Reward Design
Policy Gradient
Entropy Policy Gradient
Policy Gradient
Image preprocessing
LSTM
LSTM
Actor-Critic
Testing ML Code
Gradient
Advantage Function
Actor-Critic MSE
Actor-Critic
PPO