Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Inledning till förstärkande inlärning och agentbaserad AI
- Beslutsfattande under osäkerhet och sekventiell planering
- Grundläggande komponenter i RL: agenter, omgivningar, tillstånd och belöningar
- RL:s roll i anpassningsbara och agentbaserade AI-system
Markovska beslutsprocesser (MDP)
- Formell definition och egenskaper hos MDP
- Värdafunktioner, Bellmanekvationer och dynamisk programmering
- Politikevaluering, förbättring och iteration
Model-free förstärkande inlärning
- Monte Carlo- och temporal difference (TD)-inlärning
- Q-learning och SARSA
- Praktiskt: implementering av tabulära RL-metoder i Python
Deep förstärkande inlärning
- Kombinera neurala nätverk med RL för funktionapproximation
- Deep Q-Networks (DQN) och experience replay
- Actor-Critic-arkitekturer och policygrader
- Praktiskt: träning av en agent med DQN och PPO med Stable-Baselines3
Utforskningstrategier och belöningsformning
- Balansera utforskning kontra utnyttjande (ε-greedy, UCB, entropimetoder)
- Design av belöningsfunktioner undvika oönskade beteenden
- Belöningsformning och curriculum learning
Avancerade ämnen inom RL och beslutsfattande
- Multiagent-forstärkande inlärning och kooperativa strategier
- Hierarkisk förstärkande inlärning och options-ramverk
- Offline RL och imitation learning för säkrare deployment
Simuleringsmiljöer och utvärdering
- Användning av OpenAI Gym och anpassade miljöer
- Kontinuerliga vs. diskreta handlingsutrymmen
- Mått för agentyttring, stabilitet och sample efficiency
Integrering av RL i agentbaserade AI-system
- Kombinera resonemang och RL i hybrid agent-arkitekturer
- Integrera förstärkande inlärning med verktyganvändande agenter
- Operationella överväganden för skalning och deployment
Avslutande projekt
- Designa och implementera en förstärkande inlärningsagent för en simulerad uppgift
- Analysera träningens yttring och optimera hyperparametrar
- Demonstrera anpassningsbart beteende och beslutsfattande i ett agentbaserat sammanhang
Sammanfattning och nästa steg
Krav
- Solid kunskap i programmering med Python
- God förståelse för maskininlärning och deep learning-koncept
- Kännedom om linjär algebra, sannolikhetslära och grundläggande optimeringsmetoder
Målgrupp
- Ingenjörer inom förstärkande inlärning och tillämpade AI-forskare
- Utvecklare inom robotik och automation
- Ingenjörs team som arbetar med anpassningsbara och agentbaserade AI-system
28 Timmar
Vittnesmål (3)
Instruktören är tålmodig och väldigt hjälpsam. Han känner väl till ämnet.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maskintolkat
Bra blandning av kunskap och praktik
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maskintolkat
Blandningen av teori och praktik samt högnivå- och lågnivåperspektiv
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maskintolkat
