Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Doba trvání 28 hodiny
Návrh Školení
Úvod do posilování a agentic AI
- Rozhodování za nejistoty a sekvenční plánování
- Klíčové komponenty RL: agenti, prostředí, stavy a odměny
- Role RL v adaptivních a agentic AI systémech
Markovy rozhodovací procesy (MDP)
- Formální definice a vlastnosti MDP
- Hodnotové funkce, Bellmanovy rovnice a dynamické programování
- Hodnocení, zlepšování a iterace politiky
Model-free posilování
- Monte Carlo a učení s časovými diferencemi (TD)
- Q-learning a SARSA
- Prakticky: implementace tabulkových metod RL v Pythonu
Hluboké posilování
- Kombinace neuronových sítí a RL pro aproximaci funkcí
- Hluboké Q-sítě (DQN) a experience replay
- Architektury Actor-Critic a gradienty politiky
- Prakticky: trénování agenta pomocí DQN a PPO s Stable-Baselines3
Strategie explorace a tvarování odměn
- Vyvažování explorace a explotace (ε-greedy, UCB, metody entropie)
- Navrhování funkcí odměn a vyhýbání se nežádoucím chováním
- Tvarování odměn a curriculum learning
Pokročilé témata RL a rozhodování
- Multi-agent posilování a kooperativní strategie
- Hierarchické posilování a framework optionů
- Offline RL a imitaci učení pro bezpečnější nasazení
Simulační prostředí a hodnocení
- Použití OpenAI Gym a vlastních prostředí
- Spojitý versus diskrétní akční prostory
- Metric pro výkon, stabilitu a vzorkovací účinnost agentů
Integrace RL do agentic AI systémů
- Kombinování uvažování a RL v hybridních agentních architekturách
- Integrace posilování s agenty využívajícími nástroje
- Operační úvahy pro škálování a nasazení
Závěrečný projekt
- Navržení a implementace agenta posilování pro simulační úlohu
- Analýza trénovacího výkonu a optimalizace hyperparametrů
- Demonstrace adaptivního chování a rozhodování v agentic kontextu
Shrnutí a další kroky
Požadavky
- Vysoce pokročilé znalosti programování v jazyce Python
- Pevné pochopení konceptů strojového učení a hlubokého učení
- Oznámenost s lineární algebra, pravděpodobností a základními optimalizačními metodami
Cílová skupina
- Inženýři posilování a aplikovaní výzkumníci AI
- Vývojáři robotiky a automatizace
- Inženýrské týmy pracující na adaptivních a agentic AI systémech
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
