Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
1. Introduzione al Deep Reinforcement Learning
- Cosa è il Reinforcement Learning?
- Differenza tra apprendimento supervisionato, non supervisionato e reinforcement learning
- Applicazioni del DRL nel 2025 (robotica, sanità, finanza, logistica)
- Comprendere il ciclo di interazione agente-ambiente
2. Fondamenti del Reinforcement Learning
- Processi decisionali Markoviani (MDP)
- Stato, Azione, Ricompensa, Politica e Funzioni di Valore
- Bilanciamento tra esplorazione ed sfruttamento
- Metodi Monte Carlo e apprendimento per differenza temporale (TD)
3. Implementazione di Algoritmi RL di Base
- Metodi tabulari: Programmazione Dinamica, Valutazione della Politica e Iterazione della Politica
- Q-Learning e SARSA
- Esporazione epsilon-greedy e strategie di decrescita
- Implementazione di ambienti RL con OpenAI Gymnasium
4. Trasizione al Deep Reinforcement Learning
- Limitazioni dei metodi tabulari
- Utilizzo di reti neurali per l'approssimazione delle funzioni
- Architettura e workflow della Deep Q-Network (DQN)
- Riproduzione dell'esperienza e reti target
5. Algoritmi DRL Avanzati
- Double DQN, Dueling DQN e Prioritized Experience Replay
- Metodi a Gradienti di Politica: algoritmo REINFORCE
- Architetture Actor-Critic (A2C, A3C)
- Proximal Policy Optimization (PPO)
- Soft Actor-Critic (SAC)
6. Lavorare con Spazi di Azione Continui
- Sfide nel controllo continuo
- Utilizzo del DDPG (Deep Deterministic Policy Gradient)
- Twin Delayed DDPG (TD3)
7. Strumenti e Framework Pratici
- Utilizzo di Stable-Baselines3 e Ray RLlib
- Registrazione e monitoraggio con TensorBoard
- Ottimizzazione dei parametri iperparametrici per i modelli DRL
8. Ingegneria delle Ricompense e Progettazione degli Ambienti
- Shaping delle ricompense e bilanciamento delle penalizzazioni
- Concetti di trasferimento sim-to-real learning
- Creazione di ambienti personalizzati in Gymnasium
9. Ambienti Parzialmente Osservabili e Generalizzazione
- Gestione delle informazioni sullo stato incomplete (POMDPs)
- Approcci basati sulla memoria utilizzando LSTMs e RNNs
- Miglioramento della robustezza e generalizzazione degli agenti
10. Teoria dei Giochi e Apprendimento Reinforcement Multi-Agente
- Introduzione agli ambienti multi-agente
- Cooperazione vs competizione
- Applicazioni nel training avversario e ottimizzazione delle strategie
11. Studi di Caso e Applicazioni Reali
- Simulazioni di guida autonoma
- Pricing dinamico e strategie di trading finanziario
- Robotica e automazione industriale
12. Risoluzione dei Problemi e Ottimizzazione
- Diagnosi del training instabile
- Gestione della sparsità delle ricompense e overfitting
- Scalabilità dei modelli DRL su GPU e sistemi distribuiti
13. Riepilogo e Passi Successivi
- Ripasso dell'architettura DRL e algoritmi principali
- Tendenze industriali e direzioni di ricerca (ad esempio, RLHF, modelli ibridi)
- Ulteriori risorse e materiali di lettura
Requisiti
- Padronanza della programmazione in Python
- Conoscenza del Calcolo e dell'Algebra Lineare
- Nozioni di base di Probabilità e Statistica
- Esperienza nella creazione di modelli di machine learning utilizzando Python e NumPy o TensorFlow/PyTorch
Pubblico di Riferimento
- Sviluppatori interessati all'Intelligenza Artificiale e ai sistemi intelligenti
- Data Scientists che esplorano i framework di reinforcement learning
- Ingegneri del Machine Learning che lavorano con sistemi autonomi
21 Ore
Recensioni (5)
Hunter è favoloso, molto coinvolgente, estremamente ben informato e simpatico. Molto ben fatto.
Rick Johnson - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
Very flexible.
Frank Ueltzhoffer
Corso - Artificial Neural Networks, Machine Learning and Deep Thinking
I liked the new insights in deep machine learning.
Josip Arneric
Corso - Neural Network in R
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Corso - Introduction to the use of neural networks
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
