Reward Modelling Пчелин Константин Константинович 00:16 Вступление 02:33 Языковая модель как MDP 04:23 Зачем нужна reward model ? 09:25 Модель Брэдли-Терри 11:56 Обучение Reward Model 21:31 Reward Overoptimization 31:47 Reward Shaping 36:31 ORM и PRM 47:58 Практические аспекты Ссылка на плейлист Teach-In: https://teach-in.ru/course/reinforcement-learning Ссылка на плейлист YouTube: https://www.youtube.com/playlist?list=PLcsjsqLLSfNBlD-_pB_YGAVNNOu1BKHPW Ссылка на плейлист VK: https://vkvideo.ru/playlist/-176441665_867 Ссылка на плейлист RuTube: https://rutube.ru/plst/1513664 teach_in #мгу #msu #мехмат #mechanics_and_mathematics #лекции #lectures #Пчелин #Pchelin #Миронов #Mironov #машинное_обучение #machine_learning #обучение_с_подкреплением #reinforcement_learning #RL #RLHF #reward_modelling #модель_Брэдли_Терри #Bradley_Terry_model #reward_shaping #ORM #PRM