Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pengenalan ke Pembelajaran Penguatan dan AI Agentik
- Pengambilan keputusan dalam ketidakpastian dan perencanaan berurutan
- Komponen kunci RL: agen, lingkungan, negara, dan hadiah
- Peran RL dalam sistem AI adaptif dan agentik
Proses Keputusan Markov (MDPs)
- Definisi formal dan sifat-sifat MDPs
- Fungsi nilai, persamaan Bellman, dan pemrograman dinamis
- Evaluasi kebijakan, perbaikan, dan iterasi
Pembelajaran Penguatan Tanpa Model
- Monte Carlo dan Temporal-Difference (TD) pembelajaran
- Q-learning dan SARSA
- Praktik: mengimplementasikan metode RL tabel dalam Python
Pembelajaran Penguatan Mendalam
- Menggabungkan jaringan saraf dengan RL untuk aproksimasi fungsi
- Deep Q-Networks (DQN) dan replay pengalaman
- Arsitektur Actor-Critic dan gradien kebijakan
- Praktik: melatih agen menggunakan DQN dan PPO dengan Stable-Baselines3
Strategi Eksplorasi dan Bentuk Hadiah
- Menyeimbangkan eksplorasi vs. eksploitasi (ε-greedy, UCB, metode entropi)
- Mendesain fungsi hadiah dan menghindari perilaku yang tidak diinginkan
- Bentuk hadiah dan pembelajaran kurikulum
Topik Lanjutan dalam RL dan Pengambilan Keputusan
- Pembelajaran penguatan multi-agen dan strategi kooperatif
- Pembelajaran penguatan hierarkis dan kerangka opsi
- RL offline dan pembelajaran imitasi untuk implementasi yang lebih aman
Lingkungan Simulasi dan Evaluasi
- Menggunakan OpenAI Gym dan lingkungan kustom
- Ruang tindakan kontinu vs. diskrit
- Metrik untuk kinerja agen, stabilitas, dan efisiensi sampel
Mengintegrasikan RL ke Sistem AI Agentik
- Menggabungkan penalaran dan RL dalam arsitektur agen hibrida
- Mengintegrasikan pembelajaran penguatan dengan agen yang menggunakan alat
- Pertimbangan operasional untuk penskalaan dan implementasi
Proyek Capstone
- Mendesain dan mengimplementasikan agen pembelajaran penguatan untuk tugas simulasi
- Menganalisis kinerja pelatihan dan mengoptimalkan hyperparameter
- Menunjukkan perilaku adaptif dan pengambilan keputusan dalam konteks agentik
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Penguasaan kuat dalam pemrograman Python
- Pemahaman yang solid tentang konsep pembelajaran mesin dan pembelajaran mendalam
- Kenalan dengan aljabar linear, probabilitas, dan metode optimasi dasar
Audience
- Insinyur pembelajaran penguatan dan peneliti AI terapan
- Pengembang robotika dan otomasi
- Tim insinyur yang bekerja pada sistem AI adaptif dan agentik
28 jam
Testimoni (3)
Campuran yang baik antara pengetahuan dan praktik
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kursus - Agentic AI for Enterprise Applications
Diterjemahkan Mesin
Campuran teori dan praktik serta perspektif tingkat tinggi dan tingkat rendah
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kursus - Autonomous Decision-Making with Agentic AI
Diterjemahkan Mesin
latihan praktis
Daniel - Facultatea S.A.I.A.P.M.
Kursus - Agentic AI in Multi-Agent Systems
Diterjemahkan Mesin
