Intel® AI Academy | Все курсы

Глубинное обучение в робототехнике

Обзор

Узнайте о том, как применять машинное обучение в робототехнических приложениях из этого курса, разработанного совместно с Interactive Robotics Лаборатория в Государственном университете Аризоны. Начиная с понимания простых нейронных сетей и заканчивая изучением «долгой краткосрочной памяти» (LSTM) и стимулированного обучения, эти модули обеспечивают основу для использования алгоритмов глубинного обучения во многих рабочих нагрузках робототехники.

В этом курсе изучается практическое применение следующих навыков:

  • Применяйте контролируемое обучения для обнаружения препятствий
  • Производите обратное распространение и используйте прореживание и нормализацию для обучения модели
  • Используйте стимулированное обучение, чтобы робот обучался на смоделированных процедурах
  • Создавайте различные системы глубинного обучения с помощью PyTorch*

Курс состоит из лекций и упражнений и длится четыре недели. На каждую неделю выделяется три учебных часа.

Неделя 1

Ознакомьтесь с обзором контролируемого обучения в робототехнических приложениях для начинающих. Темы:

  • Используйте обратное распространение для обучения простой нейронной сети и определения излишнего обучения.
  • Создайте нейронную сеть для системы преодоления препятствий с помощью PyTorch.

Загрузить

Неделя 2

Используйте нейронные сети для управления движениями робота. Дополнительные темы:

  • Использование нейронных сетей для решения обратных задач кинематики.
  • Повышение эффективности обучения с помощью таких методов, как прореживание и регуляризация.
  • Решение высокоразмерных задач за счет сокращения размеров с помощью анализа основных компонентов (PCA).

Загрузить

Неделя 3

Изучите стимулированное обучение, при котором агент учится через среду, а не через метки. Темы:

  • Определите политику и рассчитайте ее градиент.
  • Создайте агент стимулированного обучения с помощью PyTorch.
  • Ознакомьтесь с Reinforcement Learning Coach — передовой инфраструктурой стимулированного обучения.

Загрузить

Неделя 4

Узнайте, как интегрировать временные данные в нейронные сети, включая:

  • Обратное распространение по времени и малые и огромные градиенты.
  • Множество вариантов «рекуррентных нейронных сетей» (RNN) и «долгой краткосрочной памяти» (LSTM), а также способы их реализации в PyTorch.

Загрузить