Programa do Curso
Introdução à Aprendizagem por Reforço e IA Agêntica
- Tomada de decisão sob incerteza e planeamento 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
Aprendizagem por Reforço sem Modelo
- Aprendizagem por Monte Carlo e por Diferenças Temporais (TD)
- Q-learning e SARSA
- Prática: implementação de métodos de RL tabulares em Python
Aprendizagem por Reforço Profunda
- Combinação de redes neurais com RL para aproximação de funções
- Deep Q-Networks (DQN) e reabilitação de experiências (experience replay)
- Arquiteturas Actor-Critic e gradientes de política
- Prática: treino de um agente utilizando DQN e PPO com Stable-Baselines3
Estratégias de Exploração e Moldagem de Recompensas
- Equilíbrio entre exploração e exploração (ε-greedy, UCB, métodos de entropia)
- Conceção de funções de recompensa e evitar comportamentos indesejados
- Moldagem de recompensas e aprendizagem curricular
Temas Avançados em RL e Tomada de Decisão
- Aprendizagem por reforço multiagente e estratégias cooperativas
- Aprendizagem por reforço hierárquica e estrutura de opções
- RL offline e aprendizagem por imitação para implementação mais segura
Ambientes de Simulação e Avaliação
- Utilização do OpenAI Gym e ambientes personalizados
- Espaços de ação contínuos vs. discretos
- Métricas de desempenho, estabilidade e eficiência de amostragem dos agentes
Integração do RL em Sistemas de IA Agêntica
- Combinação de raciocínio e RL em arquiteturas híbridas de agentes
- Integração da aprendizagem por reforço com agentes que utilizam ferramentas
- Considerações operacionais para escalonamento e implementação
Projeto Final
- Conceção e implementação de um agente de aprendizagem por reforço para uma tarefa simulada
- Análise do desempenho do treino e otimização de hiperparâmetros
- Demonstração de comportamento adaptativo e tomada de decisão num contexto agêntico
Resumo e Próximos Passos
Requisitos
- Proficiência sólida em programação 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 aprendizagem por reforço e investigadores de IA aplicada
- Desenvolvedores de robótica e automação
- Equipas de engenharia a trabalhar em sistemas de IA adaptativos e agênticos
Formação Empresarial Personalizada
Soluções de formação concebidas 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, formação online em direto, 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
