Retour aux formations
Gestion et analyse des données
Apprentissage par renforcement, méthodes et solutions
5 jour(s) • 30h
Description
Objectif général de la formation : Permettre aux participants de maîtriser les concepts et les techniques de l’apprentissage par renforcement, afin de modéliser, simuler et résoudre des problématiques complexes à l’aide de méthodes adaptées. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME : Maîtrise (M) Compétences visées : Comprendre les différents modèles d’apprentissage par renforcement. Modéliser un problème pratique sous une forme abstraite et exploitable. Identifier et appliquer les méthodes pertinentes pour résoudre un problème d’apprentissage par renforcement. Construire des simulations adaptées et évaluer les solutions proposées.
Objectifs pédagogiques
- Découvrir les concepts clés de l’apprentissage par renforcement (RL).
- Apprendre à construire des environnements de simulation.
- Implémenter des algorithmes RL comme Q-Learning et Deep Q-Learning.
- Identifier les tendances actuelles et problématiques de recherche en RL.
Public concerné
Ingénieurs en intelligence artificielle et data scientists.
Responsables R&D et innovation dans les domaines des données et de l’intelligence artificielle.
Professionnels souhaitant intégrer des solutions d’apprentissage par renforcement dans leurs projets.
Prérequis
Connaissances fondamentales en apprentissage automatique et en algèbre linéaire.
Notions de base en programmation Python et bibliothèques liées à l’IA (TensorFlow, PyTorch).
Déroulé du programme
1
Jour 1 : Introduction et concepts fondamentaux (6 heures)
6h
- Introduction à l’apprentissage par renforcement (2 heures)
2
Définition et principes fondamentaux.
3
Différences avec l’apprentissage supervisé et non supervisé.
4
Étude de cas : Exemples d’applications en robotique, jeux vidéo et logistique.
- Modèles de base en apprentissage par renforcement (2 heures)
5
Modèles de Markov et processus décisionnels.
6
Concepts de récompenses, politiques et valeurs.
7
Travaux pratiques : Implémentation d’un modèle simple.
- Mise en place d’environnements RL (2 heures)
8
Utilisation de frameworks : OpenAI Gym, Unity ML-Agents.
9
Construction de simulations simples.
10
Travaux pratiques : Exploration des environnements OpenAI Gym.
11
Jour 2 : Algorithmes de base et simulations (6 heures)
6h
- Algorithmes RL basiques (3 heures)
12
Q-Learning et SARSA : principes et mise en œuvre.
13
Optimisation et convergence des algorithmes.
14
Travaux pratiques : Implémentation d’un algorithme Q-Learning.
- Outils de simulation avancés (3 heures)
15
Création d’environnements personnalisés pour RL.
16
Paramétrage et visualisation des simulations.
17
Travaux pratiques : Développement d’une simulation sur mesure.
18
Jour 3 : Algorithmes avancés et optimisation (6 heures)
6h
- Approches avancées en apprentissage par renforcement (3 heures)
19
Deep Q-Learning : introduction et architectures neuronales.
20
Méthodes Actor-Critic et A3C.
21
Travaux pratiques : Implémentation d’un modèle Deep Q-Learning.
- Évaluation et optimisation des modèles (3 heures)
22
Métriques d’évaluation et analyse de performance.
23
Optimisation des hyperparamètres pour améliorer les résultats.
24
Travaux pratiques : Fine-tuning d’un modèle RL.
25
Jour 4 : Applications et cas d’usage (6 heures)
6h
- Applications réelles de l’apprentissage par renforcement (3 heures)
26
Études de cas : conduite autonome, optimisation logistique, et jeux.
27
Analyse des succès et défis des implémentations réelles.
28
Travaux pratiques : Résolution d’un cas concret en logistique.
- Problématiques spécifiques et solutions (3 heures)
29
Gestion des environnements instables.
30
Détection et résolution des biais dans les modèles.
31
Travaux pratiques : Simulation avec des environnements complexes.
32
Jour 5 : Perspectives et recherche (6 heures)
6h
- Identification de l’état de l’art (3 heures)
33
Tendances actuelles en apprentissage par renforcement.
34
Problématiques de recherche en RL.
35
Travaux pratiques : Lecture critique d’un article scientifique sur le RL.
- Perspectives futures et conclusion (3 heures)
36
Déploiement des solutions RL dans un cadre industriel.
37
Collaboration avec d’autres disciplines (IoT, big data).
38
Travaux pratiques : Présentation des projets des participants.
Informations
Durée
5 jour(s)
30h
Tarif
Sur demande
Formations similaires
Gestion et analyse des données
Analyse bayésienne
3 jour(s)
Sur demande
Gestion et analyse des données
Analyse de réseaux (graphes)
2 jour(s)
Sur demande
Gestion et analyse des données
Analyse orientée business des logs applicatifs
2 jour(s)
Sur demande
Gestion et analyse des données
Apache Superset (4-168)
2 jour(s)
1500 € HT