Plan du cours
Introduction
- Résoudre des problèmes du monde réel par des interactions d'essai et d'erreur
Comprendre les systèmes d'apprentissage adaptatifs et Artificial Intelligence (AI).
Comment les agents perçoivent l'état
Comment récompenser un agent
Étude de cas : Interagir avec les visiteurs d'un site web
Préparation de l'environnement pour l'agent
Plongée en profondeur dans les algorithmes Reinforcement Learning
Méthodes fondées sur la valeur et méthodes fondées sur la politique
Choisir un modèle Reinforcement Learning
Utilisation de l'algorithme Q-Learning Model-Free Reinforcement Learning (sans modèle)
Conception de l'agent
Étude de cas : Assistants intelligents
Interfaçage de l'agent avec un environnement de production
Mesurer les résultats des actions des agents
Dépannage
Résumé et conclusion
Pré requis
- Une compréhension générale de l'apprentissage par renforcement
- Expérience de l'apprentissage automatique
- Java expérience en programmation
Public
- Data scientists
Nos Clients témoignent (4)
All to topic actually including API
RODULFO ALMEDA JR - DATAWORLD COMPUTER CENTER
Formation - Introduction to JavaServer Faces
The contents and the exercises
Gangoso Kim Robert - Security Bank Corporation
Formation - Spring Boot for Beginners
l'interaction par le biais d'exercices et de partage de projets
Claudiu - MSG system
Formation - Advanced Spring Boot
Traduction automatique
The breadth of the topis covered was quite a bit and the trainer tried to do justice to that.