Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à l'apprentissage par renforcement et à l'IA agente
- Prise de décision sous incertitude et planification séquentielle
- Composants clés de l'AR : agents, environnements, états et récompenses
- Rôle de l'AR dans les systèmes d'IA adaptative et agente
Processus de décision markovien (MDP)
- Définition formelle et propriétés des MDP
- Fonctions de valeur, équations de Bellman et programmation dynamique
- Évaluation, amélioration et itération de politiques
Apprentissage par renforcement sans modèle
- Apprentissage Monte Carlo et Temporal-Difference (TD)
- Q-learning et SARSA
- Pratique : implémentation de méthodes d'AR tabulaire en Python
Apprentissage par renforcement profond
- Combinaison des réseaux neuronaux et de l'AR pour l'approximation de fonctions
- Réseaux Q-Profonds (DQN) et mémoire d'expérience
- Architectures acteur-critique et gradients de politique
- Pratique : entraînement d'un agent en utilisant DQN et PPO avec Stable-Baselines3
Stratégies d'exploration et de façonnage des récompenses
- Équilibrer l'exploration et l'exploitation (ε-greedy, UCB, méthodes d'entropie)
- Conception de fonctions de récompense et évitement des comportements indésirables
- Façonnage des récompenses et apprentissage par curriculum
Sujets avancés en AR et prise de décision
- Apprentissage par renforcement multi-agent et stratégies coopératives
- Apprentissage par renforcement hiérarchique et cadre des options
- AR hors ligne et apprentissage par imitation pour un déploiement plus sûr
Environnements de simulation et évaluation
- Utilisation d'OpenAI Gym et d'environnements personnalisés
- Espaces d'action continu vs. discret
- Métriques de performance, stabilité et efficacité échantillonnale des agents
Intégration de l'AR dans les systèmes d'IA agente
- Combinaison de la raisonnement et de l'AR dans des architectures d'agents hybrides
- Intégration de l'apprentissage par renforcement avec des agents utilisant des outils
- Considérations opérationnelles pour le scaling et le déploiement
Projet final
- Concevoir et implémenter un agent d'apprentissage par renforcement pour une tâche simulée
- Analyser la performance de l'entraînement et optimiser les hyperparamètres
- Démontrer un comportement adaptatif et une prise de décision dans un contexte agente
Résumé et étapes suivantes
Pré requis
- Maîtrise approfondie de la programmation Python
- Compréhension solide des concepts d'apprentissage automatique et d' apprentissage profond
- Connaissance de l'algèbre linéaire, des probabilités et des méthodes d'optimisation de base
Public cible
- Ingénieurs en apprentissage par renforcement et chercheurs en IA appliquée
- Développeurs de robotique et d'automatisation
- Équipes d'ingénierie travaillant sur des systèmes d'IA adaptative et agente
28 heures
Nos clients témoignent (3)
Bon mélange de connaissances et de pratique
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Agentic AI for Enterprise Applications
Traduction automatique
Le mélange de théorie et de pratique, ainsi que des perspectives de haut niveau et de bas niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Autonomous Decision-Making with Agentic AI
Traduction automatique
exercices pratiques
Daniel - Facultatea S.A.I.A.P.M.
Formation - Agentic AI in Multi-Agent Systems
Traduction automatique
