Entrez dans l’univers passionnant de l’apprentissage par renforcement, une branche clé de l’intelligence artificielle où les machines apprennent en interagissant avec leur environnement.
Dans cet atelier dynamique, vous serez guidé pas à pas pour comprendre, modéliser et expérimenter les bases du Reinforcement Learning (RL), à travers des exemples concrets et des algorithmes emblématiques.
Vous apprendrez à :
🔹 Comprendre les concepts fondamentaux : agent, environnement, récompense, politique
🔹 Formaliser un problème sous forme de processus de décision markovien (MDP)
🔹 Explorer les principales approches : Monte-Carlo, Différence Temporelle (TD), Policy-based
🔹 Implémenter un algorithme de Q-learning simple
🔹 Déployer une méthode de Deep Q-Network (DQN) pour résoudre un jeu
🔹 Découvrir les variantes avancées : Double DQN, Dueling DQN, Policy Gradient, Actor-Critic
Grâce à un équilibre entre théorie et pratique, vous serez capable de saisir la logique d’un agent autonome qui apprend par essai-erreur, et de poser les bases de vos propres projets en apprentissage par renforcement.
Rejoignez-nous pour un atelier interactif qui transformera votre vision de l’intelligence artificielle !
Public cible: Toute personne ayant des bases en programmation (Python) et quelques notions en machine learning