Plan Szkolenia
Wstęp do uczenia z wzmacnianiem i agenticznego AI
- Podejmowanie decyzji w warunkach niepewności i sekwencyjne planowanie
- Kluczowe komponenty RL: agenci, środowiska, stany i nagrody
- Rola RL w adaptacyjnych i agenticznych systemach AI
Procesy decyzyjne Markowa (MDP)
- Formalna definicja i właściwości MDP
- Funkcje wartości, równania Bella i programowanie dynamiczne
- Ewaluacja, ulepszanie i iteracja polityki
Uczenie z wzmacnianiem bez modelu
- Uczenie Monte Carlo i Temporal-Difference (TD)
- Q-learning i SARSA
- Praktycznie: implementowanie tabelarycznych metod RL w Pythonie
Głębokie uczenie z wzmacnianiem
- Łączenie sieci neuronowych z RL do przybliżania funkcji
- Deep Q-Networks (DQN) i odtwarzanie doświadczeń (experience replay)
- Architektury Actor-Critic i gradienty polityki
- Praktycznie: trenowanie agenta za pomocą DQN i PPO przy użyciu Stable-Baselines3
Strategie eksploracji i kształtowanie nagród
- Balansowanie eksploracji i eksploatacji (ε-greedy, UCB, metody entropii)
- Projektowanie funkcji nagród i unikanie niechcianego zachowania
- Kształtowanie nagród i uczenie programowe (curriculum learning)
Zaawansowane tematy w RL i podejmowaniu decyzji
- Uczenie z wzmacnianiem wieloagentowe i strategie kooperacyjne
- Ierarchiczne uczenie z wzmacnianiem i framework opcji (options framework)
- Offline RL i uczenie z imitacji dla bezpieczniejszego wdrażania
Środowiska symulacyjne i ewaluacja
- Używanie OpenAI Gym i niestandardowych środowisk
- Przestrzenie akcji ciągłych vs. dyskretnych
- Metryki wydajności agentów, stabilności i efektywności próbki
Integrowanie RL w systemach agenticznego AI
- Łączenie rozumowania i RL w hybrydowych architekturach agentów
- Integrowanie uczenia z wzmacnianiem z agentami korzystającymi z narzędzi
- Rozważania operacyjne dotyczące skalowania i wdrażania
Projekt końcowy (Capstone)
- Projektowanie i implementowanie agenta uczenia z wzmacnianiem dla zadania symulowanego
- Analiza wydajności treningowej i optymalizacja hiperparametrów
- Demonstracja zachowania adaptacyjnego i podejmowania decyzji w kontekście agenticznym
Podsumowanie i kolejne kroki
Wymagania
- Zaawansowana biegłość w programowaniu w Pythonie
- Solidne zrozumienie pojęć z zakresu uczenia maszynowego i głębokiego uczenia
- Znajomość algebry liniowej, prawdopodobieństwa i podstawowych metod optymalizacji
Grupa docelowa
- Inżynierowie ds. uczenia z wzmacnianiem i badacze AI stosowanej
- Twórcy oprogramowania do robotyki i automatyzacji
- Zespoły inżynieryjne pracujące nad adaptacyjnymi i agenticznymi systemami AI
Opinie uczestników (3)
Trener jest cierpliwy i bardzo pomocny. Doskonale zna temat.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Szkolenie - Agentic AI for Business Automation: Use Cases & Integration
Przetłumaczone przez sztuczną inteligencję
Dobra mieszanka wiedzy i praktyki
Ion Mironescu - Facultatea S.A.I.A.P.M.
Szkolenie - Agentic AI for Enterprise Applications
Przetłumaczone przez sztuczną inteligencję
Mieszanina teorii i praktyki oraz perspektyw na poziomie wysokim i niskim
Ion Mironescu - Facultatea S.A.I.A.P.M.
Szkolenie - Autonomous Decision-Making with Agentic AI
Przetłumaczone przez sztuczną inteligencję
