Programa do Curso
Introdução ao Aprendizado por Reforço e à IA Agêntica
- Tomada de decisões sob incerteza e planejamento sequencial
- Componentes-chave do RL: agentes, ambientes, estados e recompensas
- Papel do RL em sistemas de IA adaptativos e agênticos
Processos de Decisão de Markov (MDPs)
- Definição formal e propriedades dos MDPs
- Funções de valor, equações de Bellman e programação dinâmica
- Avaliação, melhoria e iteração de políticas
Aprendizado por Reforço Livre de Modelo
- Aprendizado Monte Carlo e por Diferença Temporal (TD)
- Q-learning e SARSA
- Prática: implementação de métodos tabulares de RL em Python
Aprendizado Profundo por Reforço
- Combinação de redes neurais com RL para aproximação de funções
- Redes Q Profundas (DQN) e repetição de experiências
- Arquiteturas Actor-Critic e gradientes de política
- Prática: treinamento de um agente usando DQN e PPO com Stable-Baselines3
Estratégias de Exploração e Modelagem de Recompensas
- Equilíbrio entre exploração e explotação (ε-greedy, UCB, métodos de entropia)
- Projeto de funções de recompensa e evitação de comportamentos indesejados
- Modelagem de recompensas e aprendizado por currículo
Temas Avançados em RL e Tomada de Decisões
- Aprendizado por reforço multiagente e estratégias cooperativas
- Aprendizado por reforço hierárquico e framework de opções
- RL offline e aprendizado por imitação para implantação mais segura
Ambientes de Simulação e Avaliação
- Uso do OpenAI Gym e ambientes personalizados
- Espaços de ação contínuos vs. discretos
- Métricas para desempenho, estabilidade e eficiência de amostragem dos agentes
Integração do RL em Sistemas de IA Agêntica
- Combinação de raciocínio e RL em arquiteturas de agentes híbridas
- Integração do aprendizado por reforço com agentes que utilizam ferramentas
- Considerações operacionais para escalonamento e implantação
Projeto Final (Capstone)
- Projetar e implementar um agente de aprendizado por reforço para uma tarefa simulada
- Analizar o desempenho do treinamento e otimizar hiperparâmetros
- Demonstrar comportamento adaptativo e tomada de decisões em um contexto agêntico
Resumo e Próximos Passos
Requisitos
- Proficiência sólida em programação Python
- Compreensão sólida dos conceitos de aprendizado de máquina e aprendizado profundo
- Familiaridade com álgebra linear, probabilidade e métodos básicos de otimização
Público-Alvo
- Engenheiros de aprendizado por reforço e pesquisadores de IA aplicada
- Desenvolvedores de robótica e automação
- Equipes de engenharia trabalhando em sistemas de IA adaptativos e agênticos
Testemunhos de Clientes (3)
O instrutor é paciente e muito prestativo. Ele domina bem o assunto.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Máquina Traduzida
Bom misto de conhecimento e prática
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Máquina Traduzida
A mistura de teoria e prática e de perspectivas de alto e baixo nível
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Máquina Traduzida
