Deep reinforcement Learning
- Durée : 2 jours
- Public: Ingénieurs, data-scientists
- Pré-requis : Bases de programmation python, mathématiques bac+3
- Technicite ★★☆☆☆
- Modalités : Formation intra, a distance ou dans vos locaux (minimum 3 stagiaires)
- Annulation : sans frais jusqu’à 3 semaines avant. Au-delà, 25% de la somme est due.
- Modalités de paiement : Paiement à 30 jours.
Résumé
L’apprentissage par renforcement vise enseigner à un agent la manière d’optimiser ses actions de manière à maximiser ses gains.
Ce domaine classique a été bouleversé par le Deep Learning récemment (Q function, policy, etc.) et permet desormais de résoudre des tâches jugées jusque-là hors de portée de la machine : optimisation de process, jeu de go/vidéo, robotique…
Moyens techniques : Support de cours projete pendant la formation et transmis à l’ensemble des stagiaires à l’issue de la formation; cas et exemples pratiques choisis selon les domaines d’intérêt des stagiaires
Suivi de l’exécution : Emargement demandé chaque demie-journée à tous les stagiaires
Évaluation : Questionnaire d’évaluation des acquis à l’issue de la formation
Appréciation des résultats : Questionnaire de satisfaction à l’issue de la formation
Objectifs pédagogiques
Cours théoriques mêlés d’exemples et d’études de cas. Les participants sont amenés à comprendre les concepts-clé du reinforcement learning et de ses évolutions récentes.
Technologies abordées
Tensor, autograd, torch.n, Module, torch.optim, tensorboard, torchvision examples, TorchScript, torch.hub, torch.utils.dat
Compétences visées
- Reinforcement learning : fondamentaux
- Variations récentes: deep Q-learning
- Model-free/model-based: études de cas
- Passage à l’échelle, etat de l’art