Struttura del corso

Introduzione a Reinforcement Learning

  • Panoramica dell'apprendimento per rinforzo e delle sue applicazioni
  • Differenze tra apprendimento supervisionato, non supervisionato e per rinforzo
  • Concetti chiave: agente, ambiente, ricompense e politica

Processi decisionali di Markov (MDP)

  • Comprendere gli stati, le azioni, le ricompense e le transizioni di stato
  • Funzioni di valore e l'equazione di Bellman
  • Programmazione dinamica per la risoluzione di MDP

Algoritmi RL di base

  • Metodi tabulari: Q-Learning e SARSA
  • Metodi basati su policy: algoritmo REINFORCE
  • Quadri attori-critici e loro applicazioni

Profondo Reinforcement Learning

  • Introduzione a Deep Q-Networks (DQN)
  • Replay dell'esperienza e reti target
  • Gradienti di policy e metodi RL profondi avanzati

Framework e strumenti RL

  • Introduzione a OpenAI Palestra e altri ambienti RL
  • Utilizzo di PyTorch o TensorFlow per lo sviluppo di modelli RL
  • Formazione, test e benchmarking degli agenti RL

Sfide in RL

  • Bilanciare esplorazione e valorizzazione nella formazione
  • Gestire ricompense scarse e problemi di assegnazione dei crediti
  • ScalaProblemi di bilità e computazionalità nella RL

Hands-On Activities

  • Implementazione di algoritmi Q-Learning e SARSA da zero
  • Addestrare un agente basato su DQN a giocare a un semplice gioco in OpenAI Palestra
  • Ottimizzazione dei modelli RL per migliorare le prestazioni in ambienti personalizzati

Riepilogo e passaggi successivi

Requisiti

  • Profonda comprensione dei principi e degli algoritmi di apprendimento automatico
  • Competenza nella programmazione Python
  • Familiarità con le reti neurali e i framework di deep learning

Pubblico

  • Ingegneri dell'apprendimento automatico
  • Specialisti dell'intelligenza artificiale
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative