Name: Trust Region и Proximal Policy Optimization — Обучение с подкреплением
Duration: 3 h 21 min 12 s
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
Policy Gradient Actor-Critic
Advantage Function Variance
Advantage Function
Advantage Function
On-policy and Off-policy Actor-Critic
On-policy and Off-policy
Value Functions Actor-Critic
Advantage Function
Advantage Function
Advantage Function
Advantage Function Variance
Actor-Critic
Reward Design
Advantage Function Policy Gradient
On-policy and Off-policy
On-policy and Off-policy
KL Divergence
PPO Optimization
PPO
Policy Gradient Gradient
Gradient PPO
PPO
Model-Based RL PPO Actor-Critic
PPO
Optimization
PPO
Advantage Function PPO
PPO
PPO
PPO
PPO
Actor-Critic PPO
Scaling Reward Design
PPO
PPO