Cursusaanbod
Inleiding tot reinforcement learning en agentische AI
- Besluitvorming onder onzekerheid en sequentiële planning
- De belangrijkste componenten van RL: agents, omgevingen, statussen en beloningen
- De rol van RL in adaptieve en agentische AI-systemen
Markovbesluitprocessen (MDP’s)
- Formele definitie en kenmerken van MDP’s
- Waardefuncties, Bellmanvergelijkingen en dynamisch programmeren
- Evaluatie, verbetering en iteratie van beleidsregels
Model-loos reinforcement learning
- Monte Carlo- en temporal-difference (TD)-leren
- Q-learning en SARSA
- Praktische oefening: het implementeren van tabulaire RL-methoden in Python
Deep reinforcement learning
- Het combineren van neuronale netwerken met RL voor functionele benadering
- Deep Q-Networks (DQN) en ervaringsherhaling
- Actor-Critic-architecturen en beleidsgradiënten
- Praktische oefening: het trainen van een agent met DQN en PPO via Stable-Baselines3
Strategieën voor exploratie en beloningsvorming
- Het balanceren tussen exploratie en exploitatie (bijvoorbeeld ε-greedy, UCB, entropie-gebaseerde methoden)
- Ontwerp van beloningsfuncties en voorkomen van onbedoelde gedragingen
- Beloningsvorming en curriculumpedagogiek in leerprocessen
Geavanceerde onderwerpen binnen RL en besluitvorming
- Multi-agent reinforcement learning en samenwerkende strategieën
- Hiërarchisch reinforcement learning en het options-raamwerk
- Offline RL en imitatieleren voor veiligere implementaties
Simulatieomgevingen en evaluatiemethoden
- Werken met OpenAI Gym en eigen gedefinieerde omgevingen
- Continu versus discreet actiebereik bij besturing
- Beoordelingscriteria voor de prestaties, stabiliteit en efficiëntie van agents
Integratie van RL in agentische AI-systemen
- Het combineren van redenering en RL binnen hybride agentarchitecturen
- Integratie van reinforcement learning met agents die tools kunnen gebruiken
- Operationele overwegingen bij opschalen en implementeren
Afsluitend project
- Ontwerp en implementatie van een reinforcement learning-agent voor een gesimuleerde taak
- Analyse van trainingsresultaten en optimalisatie van hyperparameters
- Demonstratie van adaptief gedrag en besluitvorming binnen een agentische context
Samenvatting en vervolgstappen
Vereisten
- Uitstekende kennis van Python-programmeren
- Grondige kennis van de basisconcepten van machine learning en deep learning
- Kennis van lineaire algebra, waarschijnlijkheidsleer en fundamentele optimalisatiemethoden
Doelgroep
- Engineers gespecialiseerd in reinforcement learning en toegepaste AI-onderzoekers
- Ontwikkelaars van robotica- en automatiseringssystemen
- Ingenieursteams die werken aan adaptieve en agentische AI-systemen
Getuigenissen (3)
De trainer is geduldig en zeer behulpzaam. Hij kent het onderwerp goed.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Cursus - Agentic AI for Business Automation: Use Cases & Integration
Automatisch vertaald
Goede mix van kennis en praktijk
Ion Mironescu - Facultatea S.A.I.A.P.M.
Cursus - Agentic AI for Enterprise Applications
Automatisch vertaald
De combinatie van theorie en praktijk, en van hoge- en lagenniveau perspectieven
Ion Mironescu - Facultatea S.A.I.A.P.M.
Cursus - Autonomous Decision-Making with Agentic AI
Automatisch vertaald
