Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao Aprendizado por Reforço e à IA Agente
- Tomada de decisão sob incerteza e planejamento sequencial
- Componentes-chave do RL: agentes, ambientes, estados e recompensas
- Papel do RL em sistemas de IA adaptativa e agente
Processos Decisórios Markovianos (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 sem Modelo
- Aprendizado Monte Carlo e Diferença Temporal (TD)
- Q-learning e SARSA
- Prática: implementando métodos RL tabulares em Python
Aprendizado por Reforço Profundo
- Combinando redes neurais com RL para aproximação de funções
- Redes Neurais Q-Profundas (DQN) e replay de experiência
- Arquiteturas Actor-Critic e gradientes de política
- Prática: treinando um agente usando DQN e PPO com Stable-Baselines3
Estratégias de Exploração e Formatação de Recompensas
- Equilibrando exploração versus exploração (ε-ganancioso, UCB, métodos de entropia)
- Projetando funções de recompensa e evitando comportamentos indesejados
- Formatação de recompensas e aprendizado curricular
Tópicos Avançados em RL e Tomada de Decisão
- Aprendizado por reforço multi-agente e estratégias cooperativas
- Aprendizado por reforço hierárquico e framework de opções
- RL offline e aprendizado por imitação para implementação mais segura
Ambientes de Simulação e Avaliação
- Usando OpenAI Gym e ambientes personalizados
- Espaços de ação contínuos versus discretos
- Métricas para desempenho, estabilidade e eficiência amostral do agente
Integrando RL em Sistemas de IA Agente
- Combinando raciocínio e RL em arquiteturas híbridas de agentes
- Integrando aprendizado por reforço com agentes que usam ferramentas
- Considerações operacionais para escalabilidade e implementação
Projeto Final
- Projetar e implementar um agente de aprendizado por reforço para uma tarefa simulada
- Analisar o desempenho do treinamento e otimizar hiperparâmetros
- Demonstrar comportamento adaptativo e tomada de decisão em um contexto agente
Resumo e Próximos Passos
Requisitos
- Domínio avançado na programação Python
- Compreensão sólida de conceitos de aprendizado de máquina e deep learning
- Familiaridade com álgebra linear, probabilidade e métodos de otimização básicos
Público-Alvo
- Engenheiros de aprendizado por reforço e pesquisadores de IA aplicada
- Desenvolvedores de robótica e automação
- Equipes de engenharia trabalhando em sistemas de IA adaptativa e agente
28 Horas
Declaração de Clientes (3)
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
exercícios práticos
Daniel - Facultatea S.A.I.A.P.M.
Curso - Agentic AI in Multi-Agent Systems
Máquina Traduzida
