Struttura del corso
Introduzione all'Apprendimento per Rinforzo e all'AI Agentica
- Processo decisionale in condizioni di incertezza e pianificazione sequenziale
- Componenti chiave dell'RL: agenti, ambienti, stati e ricompense
- Ruolo dell'RL nei sistemi di AI adattivi e agentici
Processi di Decisione di Markov (MDP)
- Definizione formale e proprietà degli MDP
- Funzioni di valore, equazioni di Bellman e programmazione dinamica
- Valutazione, miglioramento e iterazione delle politiche
Apprendimento per Rinforzo Senza Modello
- Apprendimento Monte Carlo e Temporal-Difference (TD)
- Q-learning e SARSA
- Esercitazione pratica: implementazione di metodi RL tabulari in Python
Deep Reinforcement Learning
- Integrazione di reti neurali con l'RL per l'approssimazione delle funzioni
- Deep Q-Networks (DQN) e experience replay
- Architetture Actor-Critic e gradienti di politica
- Esercitazione pratica: addestramento di un agente utilizzando DQN e PPO con Stable-Baselines3
Strategie di Esplorazione e Shaping delle Ricompense
- Bilanciamento tra esplorazione e sfruttamento (epsilon-greedy, UCB, metodi di entropia)
- Progettazione di funzioni di ricompensa ed evitamento di comportamenti indesiderati
- Shaping delle ricompense e apprendimento curriculare
Argomenti Avanzati in RL e Processo Decisionale
- Apprendimento per rinforzo multi-agente e strategie cooperative
- Apprendimento per rinforzo gerarchico e framework delle opzioni
- Offline RL e apprendimento per imitazione per un deployment più sicuro
Ambienti di Simulazione e Valutazione
- Utilizzo di OpenAI Gym e ambienti personalizzati
- Spazi di azione continui vs. discreti
- Metriche per le prestazioni dell'agente, stabilità ed efficienza di campionamento
Integrazione dell'RL nei Sistemi di AI Agentica
- Combinazione di ragionamento e RL in architetture di agenti ibride
- Integrazione dell'apprendimento per rinforzo con agenti che utilizzano tool
- Considerazioni operative per la scalabilità e il deployment
Progetto Finale
- Progettazione e implementazione di un agente di apprendimento per rinforzo per un task simulato
- Analisi delle prestazioni di addestramento e ottimizzazione degli iperparametri
- Dimostrazione di comportamento adattivo e processo decisionale in un contesto agentico
Riepilogo e Prossimi Passi
Requisiti
- Solida competenza nella programmazione in Python
- Robusta comprensione dei concetti di machine learning e deep learning
- Familiarità con algebra lineare, probabilità e metodi di ottimizzazione di base
Target di Riferimento
- Ingegneri specializzati in reinforcement learning e ricercatori di AI applicata
- Sviluppatori nel campo della robotica e dell'automazione
- Team ingegneristici che lavorano su sistemi di AI adattivi e agentici
Recensioni (3)
Il istruttore è paziente e molto disponibile. Conosce bene l'argomento.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Corso - Agentic AI for Business Automation: Use Cases & Integration
Traduzione automatica
Buona miscela di conoscenza e pratica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Corso - Agentic AI for Enterprise Applications
Traduzione automatica
Il mix di teoria e pratica e di prospettive a livello alto e basso
Ion Mironescu - Facultatea S.A.I.A.P.M.
Corso - Autonomous Decision-Making with Agentic AI
Traduzione automatica
