Description
Objectif général de la formation : Appréhender les concepts fondamentaux de l’apprentissage par renforcement, ses applications concrètes et ses limites, en explorant les méthodes, algorithmes et outils couramment utilisés. 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 : Application (A) Compétences visées : Définir et comprendre les bases de l’apprentissage par renforcement. Identifier les domaines d’application et les limites de cette approche. Appliquer des algorithmes et des outils adaptés à des problématiques réelles. Interpréter et analyser les résultats issus des modèles d’apprentissage par renforcement.
Objectifs pédagogiques
- Expliquer ce qu’est l’apprentissage par renforcement, ses concepts et ses mécanismes.
- Explorer des exemples concrets d’application au-delà des cas d’usage simplistes (« non jouets »).
- Découvrir les principaux algorithmes et méthodes utilisés dans le domaine.
- Appliquer des outils pratiques à des scénarios réels pour en comprendre les performances et limites.
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Introduction et fondements (6 heures)
- Introduction à l’apprentissage par renforcement (2 heures)
Définitions et concepts clés : agents, environnement, récompenses.
Comparaison avec d’autres approches d’apprentissage automatique.
Travaux pratiques : Exploration d’un cas simple d’apprentissage par renforcement.
- Domaines d’application et limites (2 heures)
Présentation d’exemples concrets et « non jouets ».
Analyse des cas où l’apprentissage par renforcement est pertinent ou non.
- Bases théoriques et algorithmes fondamentaux (2 heures)
Méthodes classiques : Q-Learning, SARSA, Monte Carlo.
Travaux pratiques : Implémentation d’un algorithme simple avec des données fournies.
Jour 2 : Applications avancées et outils pratiques (6 heures)
- Outils et frameworks (2 heures)
Présentation des outils : OpenAI Gym, TensorFlow, PyTorch.
Installation et configuration des environnements.
Travaux pratiques : Mise en œuvre avec OpenAI Gym.
- Applications pratiques (3 heures)
Étude de cas : optimisation de processus, systèmes autonomes.
Modélisation d’un problème concret et évaluation des performances.
Travaux pratiques : Simulation et analyse critique des résultats.
- Discussion et perspectives (1 heure)
Identifier les tendances et axes de recherche.
Questions-réponses et partage d’expériences.
Informations
Durée
2 jour(s)
12h
Sur demande
Formations similaires
Migration vers le Cloud
Sur demande
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
Sur demande
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
Sur demande
Analyse bayésienne (4-107)
Sur demande