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
Introduzione al Reinforcement Learning
- Panoramica sul reinforcement learning e le sue applicazioni
- Differenze tra apprendimento supervisionato, non supervisionato e reinforcement learning
- Concetti chiave: agente, ambiente, ricompense e policy
Processi di Decisione di Markov (MDP)
- Comprendere stati, azioni, ricompense e transizioni di stato
- Funzioni di valore e Equazione di Bellman
- Programmazione dinamica per la risoluzione dei MDP
Algoritmi RL Fondamentali
- Metodi tabellari: Q-Learning e SARSA
- Metodi basati sulla policy: algoritmo REINFORCE
- Framework Actor-Critic e le loro applicazioni
Deep Reinforcement Learning
- Introduzione alle Deep Q-Networks (DQN)
- Experience replay e reti target
- Gradienti di policy e metodi avanzati di deep RL
Framework e Strumenti RL
- Introduzione ad OpenAI Gym e altri ambienti RL
- Utilizzo di PyTorch o TensorFlow per lo sviluppo di modelli RL
- Addestramento, test e benchmarking di agenti RL
Sfide nel RL
- Bilanciare esplorazione e sfruttamento nell'addestramento
- Gestire ricompense sparse e problemi di attribuzione del credito
- Scalabilità e sfide computazionali nel RL
Attività Pratiche
- Implementazione degli algoritmi Q-Learning e SARSA da zero
- Addestramento di un agente basato su DQN per giocare a un semplice gioco in OpenAI Gym
- Regolazione fine di modelli RL per migliorare le prestazioni in ambienti personalizzati
Sintesi e Prossimi Passi
Requisiti
- Solida comprensione dei principi e degli algoritmi del machine learning
- Competenza nella programmazione Python
- Familiarità con le reti neurali e i framework per il deep learning
Target
- Ingegneri del machine learning
- Specialisti IA
14 ore
