Apprentissage par renforcement
Apprendre par l'interaction : agent, environnement, récompense. La famille d'approches qui pilote un robot ou un système autonome.
Apprentissage par renforcement dans le parcours IAOC
Ce module de niveau avancé fait partie de Intelligence Artificielle et Objets Connectés. Son programme comporte 5 chapitres, à suivre dans l’ordre proposé ci-dessous. Tu peux consulter ce programme sans compte ; la lecture des leçons, les exercices et les vidéos dépendent de tes accès.
Pour progresser, travaille une notion à la fois, reformule-la puis vérifie ta compréhension avec le quiz du chapitre accessible. Le temps indiqué pour une leçon est une estimation, pas une promesse de maîtrise.
Ce module avancé est réservé aux offres Intermédiaire et Premium. Comparer les offres
Programme des chapitres
Le cadre du renforcement
Réservé aux abonnés
Agent, environnement, état, action, récompense, politique, processus de décision markovien, horizon et facteur d'actualisation.
Fonctions de valeur et programmation dynamique
Réservé aux abonnés
Valeur d'état et d'action, équations de Bellman, itération sur les valeurs et sur les politiques.
Méthodes sans modèle
Réservé aux abonnés
Monte-Carlo, différences temporelles, Q-learning, SARSA, politiques epsilon-gloutonnes.
Renforcement profond
Réservé aux abonnés
Approximation par réseau de neurones, Deep Q-Network, rejeu d'expérience, méthodes acteur-critique, instabilités.
Applications à la robotique et aux systèmes autonomes
Réservé aux abonnés
Contrôle d'un actionneur, simulation avant déploiement, écart simulation-réalité, sécurité de fonctionnement.