Programa do Curso
Introdução ao Aprendizado por Reforço e IA Agêntica
- Tomada de decisão sob incerteza e planejamento sequencial
- Componentes-chave do RL: agentes, ambientes, estados e recompensas
- Papel do RL em sistemas de IA adaptativos e agênticos
Processos de Decisão de Markov (MDPs)
- Definição formal e propriedades dos MDPs
- Funções de valor, equações de Bellman e programação dinâmica
- Avaliação, melhoria e iteração de políticas
Aprendizado por Reforço Baseado em Modelo Livre (Model-Free)
- Aprendizado Monte Carlo e por Diferença Temporal (TD)
- Q-learning e SARSA
- Prática: implementação de métodos de RL tabulares em Python
Aprendizado Profundo por Reforço
- Combinação de redes neurais com RL para aproximação de funções
- Redes Q Profundas (DQN) e rejeitamento de experiência (experience replay)
- Arquiteturas Actor-Critic e gradientes de política
- Prática: treinamento de um agente usando DQN e PPO com Stable-Baselines3
Estratégias de Exploração e Modelagem de Recompensas
- Equilíbrio entre exploração e exploração (ε-greedy, UCB, métodos de entropia)
- Projetando funções de recompensa e evitando comportamentos indesejados
- Modelagem de recompensas e aprendizado por currículo (curriculum learning)
Tópicos Avançados em RL e Tomada de Decisão
- Aprendizado por reforço multi-agente e estratégias cooperativas
- Aprendizado por reforço hierárquico e estrutura de opções
- RL offline e aprendizado por imitação para implantação mais segura
Ambientes de Simulação e Avaliação
- Uso do OpenAI Gym e ambientes personalizados
- Espaços de ação contínuos versus discretos
- Métricas para desempenho, estabilidade e eficiência de amostragem do agente
Integrando RL em Sistemas de IA Agêntica
- Combinação de raciocínio e RL em arquiteturas de agentes híbridos
- Integração do aprendizado por reforço com agentes que utilizam ferramentas
- Considerações operacionais para escalabilidade e implantação
Projeto Final (Capstone)
- Projetar e implementar um agente de aprendizado por reforço para uma tarefa simulada
- Analizar o desempenho do treinamento e otimizar hiperparâmetros
- Demonstrar comportamento adaptativo e tomada de decisão em um contexto agêntico
Resumo e Próximos Passos
Requisitos
- Proficiência sólida em programação em Python
- Compreensão sólida dos conceitos de machine learning e deep learning
- Familiaridade com álgebra linear, probabilidade e métodos básicos de otimização
Público-Alvo
- Engenheiros de aprendizado por reforço e pesquisadores de IA aplicada
- Desenvolvedores de robótica e automação
- Equipes de engenharia trabalhando com sistemas de IA adaptativos e agênticos
Treinamento Corporativo Personalizado
Soluções de treinamento projetadas exclusivamente para empresas.
- Conteúdo Personalizado: Adaptamos o programa e os exercícios práticos aos objetivos e necessidades reais do seu projeto.
- Horário Flexível: Datas e horários adaptados à agenda da sua equipe.
- Formato: Online (ao vivo), In-Company (em suas instalações) ou Híbrido.
Preço por grupo privado, treinamento online ao vivo, a partir de 5200 € + VAT*
Entre em contato conosco para obter um orçamento preciso e conhecer nossas promoções mais recentes
Testemunhos de Clientes (3)
O instrutor é paciente e muito prestativo. Ele domina bem o assunto.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Máquina Traduzida
Bom misto de conhecimento e prática
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Máquina Traduzida
A mistura de teoria e prática e de perspectivas de alto e baixo nível
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Máquina Traduzida
