Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução à Aprendizagem por Reforço
- Visão geral da aprendizagem 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)
- Entendendo estados, ações, recompensas e transições de estado
- Funções de valor e a Equação de Bellman
- Programação dinâmica para resolver MDPs
Algoritmos Fundamentais de RL
- Métodos tabulares: Q-Learning e SARSA
- Métodos baseados em política: algoritmo REINFORCE
- Frameworks Actor-Critic e suas aplicações
Aprendizagem Profunda por Reforço
- Introdução às Deep Q-Networks (DQN)
- Replay de experiência e redes de destino
- Gradientes de política e métodos avançados de deep RL
Frameworks e Ferramentas de RL
- Introdução ao OpenAI Gym e outros ambientes de RL
- Uso de PyTorch ou TensorFlow para desenvolvimento de modelos de RL
- Treino, testes e benchmarking de agentes de RL
Desafios em RL
- Equilibrar exploração e explotação no treinamento
- Lidar com recompensas esparsas e problemas de atribuição de crédito
- Escalabilidade e desafios computacionais em RL
Atividades Práticas
- Implementar algoritmos Q-Learning e SARSA do zero
- Treinar um agente baseado em DQN para jogar um jogo simples no OpenAI Gym
- Refinar modelos de RL para melhorar o desempenho em ambientes personalizados
Resumo e Próximos Passos
Requisitos
- Sólido entendimento dos princípios e algoritmos de machine learning
- Proficiência em programação Python
- Familiaridade com redes neurais e frameworks de deep learning
Público-Alvo
- Engenheiros de machine learning
- Especialistas em IA
14 Horas
