Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în Invățarea prin Reîncarcare și IA Agentică
- Luarea deciziilor sub incertitudine și planificarea secvențială
- Componentele cheie ale RL: agenți, medii, stări și recompense
- Rolul RL în sistemele de IA adaptivă și agentică
Procese de Decizie Markov (MDPs)
- Definiția formală și proprietățile MDPs-urilor
- Funcții de valoare, ecuațiile Bellman și programarea dinamică
- Evaluarea politicilor, îmbunătățirea și iterația lor
Invățarea prin Reîncarcare Fără Model
- Învățarea Monte Carlo și Temporal-Difference (TD)
- Q-learning și SARSA
- Practic: implementarea metodelor tabulare de RL în Python
Invățarea prin Reîncarcare Adâncă
- Combinarea rețelelor neuronale cu RL pentru aproximarea funcțiilor
- Deep Q-Networks (DQN) și experiența de reîncarcare
- Arhitecturi Actor-Critic și gradienți de politică
- Practic: antrenarea unui agent folosind DQN și PPO cu Stable-Baselines3
Strategii de Explorare și Formare a Recompenselor
- Echilibrarea explorării vs. exploatarei (ε-greedy, UCB, metode de entropie)
- Proiectarea funcțiilor de recompensă și evitarea comportamentelor neintenționate
- Formarea recompenselor și învățarea programată
Subiecte Avansate de RL și Luare a Deciziilor
- Invățarea prin reîncarcare multi-agent și strategii de cooperare
- Învățarea prin reîncarcare ierarhică și cadru de opțiuni
- RL offline și învățarea prin imitare pentru implementarea mai sigură
Medii de Simulare și Evaluare
- Utilizarea OpenAI Gym și a mediilor personalizate
- Spații de acțiune continuu vs. discrete
- Metrici pentru performanța agenților, stabilitatea și eficiența eșantionului
Integrarea RL în Sistemele de IA Agentică
- Combinarea raționamentului și RL în arhitecturi hibride ale agenților
- Integrarea învățării prin reîncarcare cu agenți care folosesc instrumente
- Considerente operaționale pentru scalare și implementare
Proiect Capstone
- Să proiectați și să implementați un agent de învățare prin reîncarcare pentru o sarcină simulată
- Analiza performanței antrenamentului și optimizarea hiperparametrilor
- Demonstrați comportamentul adaptiv și luarea deciziilor într-un context agentic
Rezumat și Următoarele Pași
Cerințe
- Competențe avansate în programare Python
- Înțelegere solidă a conceptelor de învățare automată și învățare adâncă
- Familiaritate cu algebră liniară, probabilitate și metode de optimizare de bază
Audiență
- Ingineri de învățare prin reîncarcare și cercetători de IA aplicată
- Dezvoltatori de robotica și automatizare
- Echipe de inginerie care lucrează la sisteme de IA adaptivă și agentică
28 ore
Mărturii (3)
Bună amestec de cunoștințe și practică
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Agentic AI for Enterprise Applications
Tradus de catre o masina
Mixul dintre teorie și practică, precum și al perspectivelor de nivel ridicat și de nivel scăzut
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Autonomous Decision-Making with Agentic AI
Tradus de catre o masina
exerciții practice
Daniel - Facultatea S.A.I.A.P.M.
Curs - Agentic AI in Multi-Agent Systems
Tradus de catre o masina
