محتوای جلسات:

• آشنایی با پایه های یادگیری تقویتی: المان های کلیدی، کاربرد، الگوریتم، exploration vs exploition
• مسئله multi armed bandits: ترید آف exploration و exploitation ، الگوریتم epsilon-Greedy، مقادیر اولیه خوش بینانه، الگوریتم UCB ، نمونه برداری Thompson
• فرآیند تصمیم گیری مارکوف: المان های این فرآیند، معادله های Bellman، سیاست های این فرآیند، توابع مقادیر
• برنامه نویسی پویا: ارزیابی،پیشرفت،تکرار سیاست ها و تکرار مقادیر
• یادگیری Temporal-Difference: یادگیری Q، یادگیری SARSA
• یادگیری تقویتی عمیق: DQN ، متود های actor-critic ، متود policy gradient ، الگوریتم های پیشرفته یادگیری تقویتی عمیق