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
- Vue d'ensemble de l'apprentissage par renforcement et de ses applications
- Différences entre apprentissage supervisé, non supervisé et par renforcement
- Concepts clés : agent, environnement, récompenses et politique
Processus de décision markoviens (MDP)
- Compréhension des états, actions, récompenses et transitions d'état
- Fonctions de valeur et équation de Bellman
- Programmation dynamique pour la résolution de MDP
Algorithmes RL fondamentaux
- Méthodes tabulaires : Q-Learning et SARSA
- Méthodes basées sur la politique : algorithme REINFORCE
- Frameworks Actor-Critic et leurs applications
Apprentissage par renforcement profond
- Introduction aux réseaux Q profonds (DQN)
- Rejeu d'expérience et réseaux cibles
- Gradients de politique et méthodes avancées de RL profond
Frameworks et outils RL
- Introduction à OpenAI Gym et autres environnements RL
- Utilisation de PyTorch ou TensorFlow pour le développement de modèles RL
- Entraînement, tests et benchmarks d'agents RL
Défis en RL
- Équilibrer exploration et exploitation pendant l'entraînement
- Gérer les récompenses rares et les problèmes d'attribution de crédit
- Scalabilité et défis computationnels en RL
Activités pratiques
- Mise en œuvre des algorithmes Q-Learning et SARSA de zéro
- Entraînement d'un agent basé sur DQN pour jouer à un jeu simple dans OpenAI Gym
- Ajustement fin de modèles RL pour améliorer les performances dans des environnements personnalisés
Résumé et prochaines étapes
Pré requis
- Bonne compréhension des principes et algorithmes du machine learning
- Maîtrise de la programmation Python
- Connaissance des réseaux de neurones et des frameworks d'apprentissage profond
Public cible
- Ingénieurs en machine learning
- Spécialistes en intelligence artificielle
14 Heures
