Deep Reinforcement Learning : Implémenter des articles de recherche en PyTorch et TensorFlow

Combler le fossé entre les articles de recherche universitaires et le code pratique est l'une des compétences les plus précieuses en intelligence artificielle moderne. Ce cours vous guide à travers le processus de lecture, de compréhension et d'implémentation d'algorithmes sophistiqués d'apprentissage par renforcement à partir de zéro, transformant des concepts mathématiques abstraits en agents fonctionnels. Vous passerez des principes fondamentaux de la prise de décision à l'implémentation d'algorithmes de pointe utilisés en robotique et dans les systèmes autonomes. À la fin de ce cours, vous serez capable d'interpréter des articles techniques et de construire des agents robustes en utilisant les principaux frameworks d'apprentissage profond de l'industrie. Ce que vous apprendrez : - Comprendre les concepts fondamentaux tels que les processus de décision markoviens, l'équation de Bellman et l'apprentissage par différence temporelle. - Implémenter les algorithmes de base, y compris le Q-Learning et les méthodes de gradient de politique, à partir de descriptions écrites. - Maîtriser les architectures avancées Actor-Critic telles que DDPG, TD3 et Soft Actor-Critic (SAC). - Appliquer l'apprentissage par renforcement aux espaces d'action continus essentiels au contrôle robotique moderne. - Traduire des formules mathématiques d'articles de recherche en code PyTorch et TensorFlow propre et modulaire. - S'entraîner au débogage et au réglage des agents dans des environnements de simulation standardisés modernes comme Gymnasium. - Appliquer les pratiques Python modernes, y compris les indications de type et les environnements vectorisés, pour améliorer les performances des agents. Le cours commence par une introduction approfondie à la terminologie de l'apprentissage par renforcement et aux algorithmes classiques avant de passer aux implémentations modernes d'apprentissage profond. Vous lirez des explications détaillées des architectures d'agents et suivrez des guides écrits structurés pour construire chaque système à partir de zéro, garantissant une compréhension approfondie de la logique sous-jacente. Ce cours est conçu pour les débutants dans le domaine de l'apprentissage par renforcement qui ont une compréhension de base de Python et sont prêts à relever des défis d'IA plus complexes. Aucune expérience préalable des articles de recherche n'est requise. Commencez à construire vos propres agents d'IA haute performance grâce à la puissance de l'implémentation de la recherche.