Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Duur 28 uren
Cursusaanbod
Introductie tot Reinforcement Learning en Agentic AI
- Besluitvorming onder onzekerheid en sequentiële planning
- Belangrijke componenten van RL: agenten, omgevingen, staten en beloningen
- De rol van RL in adaptieve en agentic AI-systemen
Markov Decision Processes (MDPs)
- Formele definitie en eigenschappen van MDPs
- Waardfuncties, Bellman-vergelijkingen en dynamisch programmeren
- Beleidsevaluatie, verbetering en iteratie
Model-Free Reinforcement Learning
- Monte Carlo en Temporal-Difference (TD) leren
- Q-learning en SARSA
- Praktijk: implementatie van tabulaire RL-methoden in Python
Deep Reinforcement Learning
- Combinatie van neurale netwerken met RL voor functieapproximatie
- Deep Q-Networks (DQN) en experience replay
- Actor-Critic-architecturen en beleidsgradiënten
- Praktijk: trainen van een agent met DQN en PPO using Stable-Baselines3
Verkenningstrategieën en Beloningsvormgeving
- Balans tussen verkenning en benutting (ε-greedy, UCB, entropiemethoden)
- Ontwerpen van beloningsfuncties en het vermijden van onbedoeld gedrag
- Beloningsvormgeving en curriculum learning
Gevorderde onderwerpen in RL en Besluitvorming
- Multi-agent reinforcement learning en coöperatieve strategieën
- Hiërarchisch reinforcement learning en het options-framework
- Offline RL en imitatieleer voor veiligere implementatie
Simulatie-omgevingen en Evaluatie
- Gebruik van OpenAI Gym en gepersonaliseerde omgevingen
- Continue vs. discrete actie-ruimtes
- Metrics voor agentenprestaties, stabiliteit en sample efficiency
Integratie van RL in Agentic AI-systemen
- Combinatie van redeneren en RL in hybride agentenarchitecturen
- Integratie van reinforcement learning met tool-gebruikende agenten
- Operationele overwegingen voor schalen en implementatie
Capstone Project
- Ontwerp en implementatie van een reinforcement learning agent voor een gesimuleerde taak
- Analyse van trainingsprestaties en optimalisatie van hyperparameters
- Demonstratie van adaptief gedrag en besluitvorming in een agentic context
Samenvatting en Volgende Stapen
Vereisten
- Goede beheersing van Python-programmeren
- Solid understanding van machine learning- en deep learning-concepten
- Kenmerkend kennis van lineaire algebra, kansrekening en basisoptimalisatiemethoden
Publiek
- Reinforcement learning engineers en toegepaste AI-onderzoekers
- Ontwikkelaars voor robotica en automatisering
- Engineeringteams die werken aan adaptieve en agentic 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
