Ingyenes tananyag

Reinforcement learning és RLHF

8 lecke a megerősítéses tanulásról (reinforcement learning), az ágens és a környezet kapcsolatától a jutalomjelig, majd onnan az RLHF-ig, amellyel a nagy nyelvi modelleket emberi visszajelzéshez igazítják. A MIT 6.S191 kurzus megerősítéses tanulás előadása, Sutton és Barto klasszikus kerete, valamint az InstructGPT kutatás alapján. Középhaladó szint, előny a gépi tanulás alapfogalmainak ismerete.

KD AI Academy · Kalmár Dániel

01Mi a megerősítéses tanulás 02Alapfogalmak, állapottól az értékfüggvényig 03Felfedezés és kiaknázás 04Q-tanulás és a mély Q-hálók 05Politika gradiens módszerek 06Mi az RLHF, és miért kell 07A jutalommodell és a PPO 08Korlátok, jutalomhamisítás, alternatívák

Ha végigért

Záróteszt és tanúsítvány

10 feleletválasztós kérdés, 15 perc. Ha sikeresen teljesíted, a tanúsítvány automatikusan, egyedi sorszámmal kiállításra kerül.

Záróteszt kitöltése

Forrás

A MIT 6.S191 Introduction to Deep Learning megerősítéses tanulás előadása, Richard Sutton és Andrew Barto klasszikus fogalmi kerete, valamint az InstructGPT tanulmány (Ouyang és társai, 2022) alapján, magyar feldolgozásban.