Derin Pekiştirmeli Öğrenme, makine öğrenmesinin bir dalıdır ve robotlar ile otonom sistemler gibi karmaşık uygulamalar için denetleyici (kontrolör) ve karar alma algoritmalarını uygulamanıza olanak tanır. Derin pekiştirmeli öğrenme, sinir ağlarını dinamik olarak simülasyonlardan veya fiziksel sistemlerden üretilen verilerle karmaşık davranışları öğrenmeleri için eğitmenizi sağlar.
MATLAB, Simulink ve Reinforcement Learning Toolbox kullanarak bir derin pekiştirmeli öğrenme sisteminin tasarımı ve dağıtımı için eksiksiz bir iş akışını gerçekleştirebilirsiniz. Şunları yapabilirsiniz:
- Popüler derin pekiştirmeli öğrenme algoritmaları arasında geçiş yapabilir, bunları değerlendirebilir ve karşılaştırabilirsiniz
- Reinforcement Learning Designer uygulamasıyla politikaları etkileşimli olarak eğitebilirsiniz
- Eğitim ortamını MATLAB ve Simulink içinde modelleyerek donanımınıza zarar verme riskini azaltabilirsiniz
- Sinir ağlarını kullanarak derin pekiştirmeli öğrenme politikalarını etkileşimli ya da programatik şekilde oluşturabilirsiniz
- Derin pekiştirmeli öğrenme politikalarını gömülü cihazlara veya buluta dağıtabilirsiniz
“5G, düşmanca saldırılara karşı korumamız gereken kritik bir altyapıdır. Reinforcement Learning Toolbox, 5G zafiyetlerini hızla değerlendirmemize ve önleme yöntemlerini belirlememize olanak tanıyor.”
— Ambrose Kam, Lockheed Martin
Reinforcement Learning Designer ile Görsel ve Etkileşimli İş Akışı
Reinforcement Learning Designer uygulamasıyla derin pekiştirmeli öğrenme ajanlarını etkileşimli olarak oluşturun, eğitin ve simüle edin. Uygun ajan türünü seçmeniz için sunulan otomatik yönlendirmelerden faydalanın. Kutudan çıktığı gibi kullanabileceğiniz derin deterministik politika gradyanı (DDPG), soft actor critic (SAC) ve proximal policy optimization (PPO) gibi popüler derin pekiştirmeli öğrenme algoritmaları arasından seçim yapın.
Pekiştirmeli Öğrenme Ajanlarını Etkileşimli Olarak Oluşturma ve Eğitme (5:38)
Yerleşik Pekiştirmeli Öğrenme Ajanları
Reinforcement Learning Designer ile Ajan Tasarlama ve Eğitme
Model Tabanlı Tasarımla Eğitim, Sistem Seviyesinde Test ve Dağıtım
Simulink (veya MATLAB) kullanarak eğitim ortamını modelleyin, böylece donanımınıza zarar verme riskini azaltın. Ortam modellerini, RL Agent bloğu aracılığıyla derin pekiştirmeli öğrenme ajanlarıyla sorunsuz şekilde entegre edin. Politikaları ardışık veya paralel olarak eğitin ve sistem düzeyindeki simülasyonlar ile yazılım-döngüsünde (SIL) / donanım-döngüsünde (HIL) testlerle doğrulayın. Eğitilmiş politikaları gömülü cihazlara veya buluta dağıtın.
Pekiştirmeli Öğrenme için Ortamlar Oluşturun
Pekiştirmeli Öğrenme için SIL ve PIL Doğrulaması Gerçekleştirin
Derin Pekiştirmeli Öğrenme Politikalarını Dağıtın
Sinir Ağı Politikalarının Otomatik ve Etkileşimli Oluşturulması
Sinir ağı politikaları tasarlama konusunda uzman olmasanız bile, probleme özel olarak otomatik oluşturulan sinir ağı mimarilerini kullanarak derin pekiştirmeli öğrenme ajanları oluşturun. Önerilen sinir ağı mimarisini olduğu gibi kullanabilir veya Deep Network Designer uygulamasıyla (etkileşimli yöntem) ya da Deep Learning Toolbox’taki katmanlarla (programatik yöntem) ince ayar yapabilirsiniz. Üçüncü taraf çerçevelerle birlikte çalışmak için içe ve dışa aktarma yeteneklerinden yararlanın.
Pekiştirmeli Öğrenme Toolbox’ı ile Ters Sarkaç için DQN Kontrolü (6:51)
Politikaları MATLAB’de Derin Sinir Ağları ile Temsil Edin
Deep Network Designer Kullanarak DQN Ajanı Oluşturun
Örnekler ve Referans Uygulamalar
Robotik, otonom sürüş, kalibrasyon, zamanlama ve diğer uygulamalar için denetleyici ve karar alma algoritmaları tasarlayarak derin pekiştirmeli öğrenmeye başlayın. Referans örneklerimizi inceleyin ve tekli ya da çoklu ajan eğitimi, çevrim içi ve çevrim dışı öğrenme, modele dayalı ve modelsiz yöntemler ile gradyan tabanlı ve evrimsel öğrenme stratejileriyle denemeler yapın.
Pekiştirmeli Öğrenme Örnekleri
Modele Dayalı Pekiştirmeli Öğrenme Ajanları Nasıl Eğitilir (6:03)
Yürüyen Robotlar için Derin Pekiştirmeli Öğrenme (15:52)
