Entrar em Contato

Programa do Curso

Introdução ao Aprendizado por Reforço

  • Visão geral do aprendizado por reforço e suas aplicações
  • Diferenças entre aprendizado supervisionado, não supervisionado e por reforço
  • Conceitos-chave: agente, ambiente, recompensas e política

Processos de Decisão de Markov (MDPs)

  • Compreensão de estados, ações, recompensas e transições de estado
  • Funções de valor e a Equação de Bellman
  • Programação dinâmica para resolver MDPs

Algoritmos Centrais de AR

  • Métodos tabulares: Q-Learning e SARSA
  • Métodos baseados em políticas: algoritmo REINFORCE
  • Estruturas Actor-Critic e suas aplicações

Aprendizado por Reforço Profundo

  • Introdução às Deep Q-Networks (DQN)
  • Replay de experiência e redes de destino
  • Gradientes de política e métodos avançados de AR profundo

Frameworks e Ferramentas de AR

  • Introdução ao OpenAI Gym e outros ambientes de AR
  • Uso do PyTorch ou TensorFlow para desenvolvimento de modelos de AR
  • Treinamento, teste e benchmarking de agentes de AR

Desafios no AR

  • Equilíbrio entre exploração e explotação durante o treinamento
  • Lidar com recompensas esparsas e problemas de atribuição de crédito
  • Escalabilidade e desafios computacionais no AR

Atividades Práticas

  • Implementação dos algoritmos Q-Learning e SARSA do zero
  • Treinamento de um agente baseado em DQN para jogar um jogo simples no OpenAI Gym
  • Ajuste fino de modelos de AR para melhorar o desempenho em ambientes personalizados

Resumo e Próximos Passos

Requisitos

  • Compreensão sólida dos princípios e algoritmos de aprendizado de máquina
  • Proficiência em programação Python
  • Familiaridade com redes neurais e frameworks de aprendizado profundo

Público-Alvo

  • Engenheiros de machine learning
  • Especialistas em IA
 14 Horas

Número de participantes


Preço por participante

Próximas Formações Provisórias

Categorias Relacionadas