Policy Gradient
6 статей
1ч 13м🧠 Лекция Stanford CS221: От табличных методов к Actor-Critic
1ч 03м🔄 Stanford Online: «Методы Actor-Critic — база для обучения LLM и роботов»
1ч 16мМеханика обучения моделей: лектор Стэнфорда о GRPO
45 мин🌡 Стэнфорд: три способа научить ИИ принимать решения через оценку градиента
45 мин🌡 Оптимизация стратегий в RL: три метода оценки градиента от Stanford Online
1ч 19м🛡 Стэнфорд о PPO: «Почему это самый полезный метод в RL»