Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie do uczenia się ze wzmocnieniem i AI agencjalnej
- Podejmowanie decyzji w warunkach niepewności i planowanie sekwencyjne
- Kluczowe komponenty RL: agenci, środowiska, stany i nagrody
- Rola RL w systemach AI adaptacyjnych i agencjalnych
Procesy Decyzyjne Markowa (MDPs)
- Formalna definicja i właściwości MDPs
- Funkcje wartości, równania Bellmana i programowanie dynamiczne
- Ocena, poprawa i iteracja polityki
Modelowe uczenie się ze wzmocnieniem
- Uczenie Monte Carlo i Temporal-Difference (TD)
- Q-learning i SARSA
- Praktyczne ćwiczenie: implementacja metod tabularnych RL w Pythonie
Głębokie uczenie się ze wzmocnieniem
- Kombinowanie sieci neuronowych z RL do aproksymacji funkcji
- Sieci Q-głębokie (DQN) i powtórzenie doświadczeń
- Architektury Actor-Critic i gradienty polityki
- Praktyczne ćwiczenie: trening agenta za pomocą DQN i PPO z użyciem Stable-Baselines3
Strategie eksploracji i kształtowanie nagród
- Balansowanie między eksploracją a wyzyskiwaniem (ε-greedy, UCB, metody entropii)
- Projektowanie funkcji nagrody i unikanie niepożądanych zachowań
- kształtowanie nagród i nauka krok po kroku (curriculum learning)
Zaawansowane tematy w RL i podejmowaniu decyzji
- Uczenie się ze wzmocnieniem wieloagentowe i strategie współpracy
- Hierarchiczne uczenie się ze wzmocnieniem i ramy opcji
- Uczenie się offline i imitacyjne dla bezpieczniejszego wdrożenia
Środowiska symulacyjne i ocena
- Użycie OpenAI Gym i niestandardowych środowisk
- Przestrzenie akcji ciągłe vs. dyskretne
- Metryki dla wydajności agenta, stabilności i efektywności próbkowania
Integracja RL do systemów AI agencjalnych
- Kombinowanie rozumowania i RL w hybrydowych architekturach agentów
- Integracja uczenia się ze wzmocnieniem z agentami korzystającymi z narzędzi
- Operacyjne rozważania dotyczące skalowania i wdrożenia
Projekt kunsztowy
- Projekcja i implementacja agenta uczenia się ze wzmocnieniem dla zadania symulowanego
- Analiza wydajności treningowej i optymalizacja hiperparametrów
- Demonstracja zachowania adaptacyjnego i podejmowania decyzji w kontekście agencjalnym
Podsumowanie i dalsze kroki
Wymagania
- Silne znajomość programowania w Pythonie
- Twarda zrozumienie pojęć uczenia maszynowego i glebowego uczenia
- Znajomość algebry liniowej, rachunku prawdopodobieństwa i podstawowych metod optymalizacji
Odbiorcy
- Inżynierowie uczenia ze wzmocnieniem i badacze AI stosowanej
- Programiści robotyki i automatyzacji
- Zespoły inżynierskie pracujące nad systemami AI adaptacyjnymi i agencjalnymi
28 godzin
Opinie uczestników (3)
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
praktyczne ćwiczenia
Daniel - Facultatea S.A.I.A.P.M.
Szkolenie - Agentic AI in Multi-Agent Systems
Przetłumaczone przez sztuczną inteligencję
