Programa do Curso
Introdução ao Aprendizado por Reforço e IA Agêntica
- Tomada de decisão sob incerteza e planejamento sequencial
- Componentes principais do RL: agentes, ambientes, estados e recompensas
- Papel do RL em sistemas de IA adaptativa e agêntica
Processos de Decisão de Markov (MDPs)
- Definição formal e propriedades dos MDPs
- Funções de valor, equações de Bellman e programação dinâmica
- Avaliação de políticas, melhoria e iteração
Aprendizado por Reforço Sem Modelo (Model-Free)
- Aprendizado Monte Carlo e Diferença Temporal (TD)
- Q-learning e SARSA
- Prática: implementação de métodos de RL tabular em Python
Aprendizado por Reforço Profundo (Deep Reinforcement Learning)
- Combinação de redes neurais com RL para aproximação de funções
- Deep Q-Networks (DQN) e experiência de replay (experience replay)
- Arquiteturas Actor-Critic e gradientes de política (policy gradients)
- Prática: treinamento de um agente usando DQN e PPO com Stable-Baselines3
Estratégias de Exploração e Configuração de Recompensas
- Equilibrar exploração vs. exploração (exploitation) (épsilon-guloso, UCB, métodos de entropia)
- Desenho de funções de recompensa e prevenção de comportamentos não intencionais
- Configuração de recompensas (reward shaping) e aprendizado por currículo (curriculum learning)
Tópicos Avançados em RL e Tomada de Decisão
- Aprendizado por reforço multiagente e estratégias cooperativas
- Aprendizado por reforço hierárquico e estrutura de opções (options framework)
- 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 versus discretos
- Métricas para desempenho, estabilidade e eficiência amostral do agente
Integração do RL em Sistemas de IA Agêntica
- Combinação de raciocínio e RL em arquiteturas híbridas de agentes
- Integração do aprendizado por reforço com agentes que utilizam ferramentas
- Considerações operacionais para escalonamento e implantação
Projeto Final (Capstone Project)
- Projetar e implementar um agente de aprendizado por reforço para uma tarefa simulada
- Analisar o desempenho do treinamento e otimizar hiperparâmetros
- Demonstrar comportamento adaptativo e tomada de decisão em um contexto agêntico
Resumo e Próximos Passos
Requisitos
- Proficiência avançada em programação Python
- Sólido entendimento 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 que trabalham com sistemas de IA agêntica e adaptativa
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
