Návrh Školení
Úvod do reinforcement learningu a agentické umělé inteligence
- Rozhodování v podmínkách nejistoty a sekvenční plánování
- Základní prvky RL: agenti, prostředí, stavy a odměny
- Význam reinforcement learningu v adaptivních a agentických systémech AI
Markovovy rozhodovací procesy (MDP)
- Formální definice a vlastnosti MDP
- Hodnotové funkce, Bellmanovy rovnice a dynamické programování
- Vyhodnocování strategií, jejich zdokonalování a iterace
Modelově nezávislé metody reinforcement learningu
- Metoda Monte Carlo a Temporal-Difference (TD) učení
- Algoritmy Q-learning a SARSA
- Praktická část: implementace tabulkových metod RL v Pythonu
Hluboké reinforcement learning
- Kombinování neuronových sítí s RL pro aproximaci funkcí
- Architektura Deep Q-Networks (DQN) a mechanismus opakovaného využití zkušeností
- Architektury typu Actor-Critic a gradientní metody pro optimalizaci strategií
- Praktická část: trénování agenta s využitím DQN a PPO pomocí knihovny Stable-Baselines3
Strategie zkoumání prostředí a tvarování odměn
- Jak vyvážit tendenci k experimentům s nutností efektivního využívání již známých řešení (např. metody ε-greedy, UCB či entropické metody)
- Návrh odměnových funkcí a prevence nežádoucího chování agenta
- Techniky tvarování odměn a kurikulární učení
Pokročilá témata v oblasti reinforcement learningu a rozhodování
- Reinforcement learning více agentů a strategie spolupráce mezi nimi
- Hierarchické modelování rozhodování a framework typu Options
- Offline reinforcement learning a metody imitace učení za účelem bezpečnějšího nasazení systémů
Simulační prostředí a vyhodnocování výkonu agentů
- Práce s nástrojem OpenAI Gym a vytváření vlastních simulací
- Rozdíly mezi kontinuálním a diskrétním prostorem akcí
- Metriky pro hodnocení výkonnosti agentů, stability jejich chování i efektivity využití dat
Integrace reinforcement learningu do agentických systémů AI
- Kombinování logického uvažování s mechanismy RL v hybridních architekturách agentů
- Integrace reinforcement learningu do agentů využívajících externí nástroje či funkce
- Praktické aspekty škálování a nasazení takových systémů
Závěrečný projekt
- Návrh a implementace agenta využívajícího reinforcement learning pro řešení simulovaného úkolu
- Analýza průběhu trénování a optimalizace parametrů algoritmu
- Prezentace adaptivního chování agenta v rámci konkrétního agentického systému AI
Shrnutí a další směry rozvoje
Požadavky
- Vysoká úroveň znalostí programování v jazyce Python
- Dobrá orientace v konceptech strojového učení a hlubokého učení
- Znalost lineární algebry, teorie pravděpodobnosti a základních metod optimalizace
Cílová skupina
- Inženýři specializující se na reinforcement learning a výzkumníci v oblasti aplikované AI
- Vývojáři robotů a systémů automatizace
- Inženýrské týmy pracující na rozvoji adaptivních a agentických systémů AI
Reference (3)
Intruktor je trpělivý a velmi nápomocný. Dobře zná danou problematiku.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurz - Agentic AI for Business Automation: Use Cases & Integration
Přeloženo strojem
Dobrý zmatek znalostí a praxe
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurz - Agentic AI for Enterprise Applications
Přeloženo strojem
Míchání teorie a praxe a pohledů z vysokého i nízkého úrovní
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurz - Autonomous Decision-Making with Agentic AI
Přeloženo strojem
