Cursos de Aprendizagem por Reforço em Almada

Esta formação ao vivo, ministrada por formador em Almada (online ou presencial), destina-se a cientistas de dados de nível intermédio que desejam adquirir uma compreensão abrangente e competências práticas tanto em Grandes Modelos de Linguagem (LLMs) como em Aprendizagem por Reforço (RL).

No final desta formação, os participantes serão capazes de:

• Compreender os componentes e a funcionalidade dos modelos transformer.
• Otimizar e ajustar (fine-tuning) LLMs para tarefas e aplicações específicas.
• Compreender os princípios centrais e as metodologias da aprendizagem por reforço.
• Aprender como as técnicas de aprendizagem por reforço podem melhorar o desempenho dos LLMs.

Esta formação ao vivo, orientada por instrutor, em Almada (online ou presencial), destina-se a engenheiros de machine learning e investigadores de IA avançados que pretendem aplicar o RLHF para afinar grandes modelos de IA, visando um desempenho superior, segurança e alinhamento.

Ao final desta formação, os participantes estarão aptos a:

• Compreender os fundamentos teóricos do RLHF e a sua importância no desenvolvimento moderno de IA.
• Implementar modelos de recompensa baseados em feedback humano para orientar os processos de aprendizagem por reforço.
• Afinar grandes modelos de linguagem utilizando técnicas de RLHF para alinhar as saídas com as preferências humanas.
• Aplicar as melhores práticas para escalar fluxos de trabalho de RLHF em sistemas de IA de nível de produção.

Esta formação ao vivo, conduzida por formador, em Almada (online ou presencial), destina-se a profissionais de nível avançado que desejam aprofundar a sua compreensão da aprendizagem por reforço e das suas aplicações práticas no desenvolvimento de IA utilizando o Google Colab.

No final desta formação, os participantes serão capazes de:

• Compreender os conceitos fundamentais dos algoritmos de aprendizagem por reforço.
• Implementar modelos de aprendizagem por reforço utilizando TensorFlow e OpenAI Gym.
• Desenvolver agentes inteligentes que aprendem através de tentativa e erro.
• Otimizar o desempenho dos agentes utilizando técnicas avançadas, como Q-learning e redes Q profundas (DQNs).
• Treinar agentes em ambientes simulados utilizando o OpenAI Gym.
• Implantar modelos de aprendizagem por reforço para aplicações do mundo real.