Neem contact met ons op
 Duur 21 uren

Cursusaanbod

Introductie tot Robotleerproces

  • Overzicht van machine learning in robotica
  • Gesuperviseerd, ongesuperviseerd en versterkingsgebaseerd leren
  • Toepassingen van RL in besturing, navigatie en manipulatie

Fundamenten van Versterkingsgebaseerd Leren

  • Markov Decision Processes (MDP)
  • Beleid, waarde- en beloningsfuncties
  • Afweging tussen exploratie en exploitatie

Classieke RL-Algoritmes

  • Q-learning en SARSA
  • Monte Carlo- en tijdsdiffuse methoden
  • Waarde-iteratie en beleid-iteratie

Technieken voor Diep Versterkingsgebaseerd Leren

  • Combinatie van deep learning en RL (Deep Q-Networks)
  • Methoden voor beleidsgradiënten
  • Geavanceerde algoritmes: A3C, DDPG en PPO

Simulatieomgevingen voor Robotleerproces

  • Gebruik van OpenAI Gym en ROS 2 voor simulatie
  • Aanmaken van aangepaste omgevingen voor robotica-taken
  • Evaluatie van prestaties en trainingsstabiliteit

RL Toepassen in Robotica

  • Besturings- en bewegingsbeleid leren
  • Versterkingsgebaseerd leren voor robotica-manipulatie
  • Multi-agent versterkingsgebaseerd leren in zwermrobotica

Optimalisatie, Deployment en Integratie in de Praktijk

  • Hypertuning en beloningsvormgeving
  • Transfer van geleerde beleid van simulatie naar realiteit (Sim2Real)
  • Deployment van getrainde modellen op robotica-hardware

Samenvatting en Volgende Stappen

Vereisten

  • Een begrip van machine learning-concepten
  • Ervaring met Python-programmering
  • Bekendheid met robotica en besturingssystemen

Doelgroep

  • Machine learning-engineers
  • Robotica-onderzoekers
  • Ontwikkelaars van intelligente robotica-systemen

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën