Kerangka Materi
Pengantar Pembelajaran Penguatan dan AI Agenik
- Proses pengambilan keputusan di bawah kondisi ketidakpastian serta perencanaan berurutan
- Komponen utama dalam RL: agen, lingkungan, keadaan sistem, dan imbalan
- Peran penting pembelajaran penguatan dalam pengembangan AI agenik yang adaptif
Proses Pengambilan Keputusan Markov (Markov Decision Processes/MDPs)
- Definisi serta sifat-sifat utama dari MDP
- Fungsi nilai, persamaan Bellman, dan teknik pemrograman dinamis
- Evaluasi dan penyempurnaan strategi serta proses iterasinya
Pembelajaran Penguatan Tanpa Model
- Teknik pembelajaran Monte Carlo dan Temporal-Difference (TD)
- Algoritma Q-learning serta SARSA
- Latihan praktis: mengimplementasikan metode RL berbasis tabel menggunakan Python
Pembelajaran Penguatan Berbasis Deep Learning
- Integrasi jaringan saraf dengan metode RL untuk pendekatan fungsi kompleks
- Jaringan Q Mendalam (Deep Q-Networks/DQN) serta mekanisme pengulangan pengalaman
- Arsitektur Actor-Critic beserta teknik gradient kebijakan
- Latihan praktis: melatih agen menggunakan DQN dan PPO dengan perangkat Stable-Baselines3
Strategi Eksplorasi serta Pembentukan Fungsi Imbalan
- Keseimbangan antara eksplorasi dan eksploitasi (misalnya metode ε-greedy, UCB, serta pendekatan berbasis entropi)
- Cara merancang fungsi imbalan secara efektif guna menghindari perilaku yang tidak diinginkan
- Pembentukan struktur imbalan dan pendekatan kurikulum belajar
Topik Lanjutan dalam Pembelajaran Penguatan dan Keputusan
- Pembelajaran penguatan multiagen beserta strategi kerjasama timbal baliknya
- Pembelajaran penguatan hierarkis serta konsep framework pilihan aksi
- Pendekatan offline RL dan pembelajaran imitasi untuk meminimalkan risiko implementasi
Lingkungan Simulasi serta Evaluasi Agen
- Penggunaan OpenAI Gym beserta lingkungan simulasi khusus yang dibuat sendiri
- Perbedaan antara ruang aksi kontinu dan diskrit bagi agen
- Metrik evaluasi kinerja agen, termasuk stabilitas serta efisiensi penggunaan data
Integrasi RL ke dalam Sistem AI Agenik
- Menggabungkan pendekatan penalaran logis dengan algoritma pembelajaran penguatan dalam arsitektur agen hybrid
- Integrasi efektif metode RL pada agen yang mampu menggunakan berbagai perangkat bantu
- Pertimbangan operasional saat mengukur skala penggunaan serta implementasi sistem ini secara nyata
Proyek Akhir Kursus
- Merancang dan mengimplementasikan agen pembelajaran penguatan untuk menyelesaikan tugas dalam lingkungan simulasi
- Menganalisis hasil pelatihan serta mengoptimalkan parameter atau hyperparameternya
- Memperagakan perilaku adaptif dan proses pengambilan keputusan yang efektif dalam konteks AI agenik
Kesimpulan serta Arah Pengembangan Selanjutnya
Persyaratan
- Kemampuan pemrograman Python yang sangat baik
- Pemahaman mendalam mengenai konsep-konsep pembelajaran mesin dan pembelajaran mendalam
- Pengetahuan dasar tentang aljabar linear, teori probabilitas, serta metode optimisasi
Target Peserta
- Insinyur pembelajaran penguatan dan peneliti AI terapan
- Pengembang robotika serta sistem otomasi
- Tim teknik yang mengerjakan sistem AI agenik yang adaptif dan cerdas
Testimoni (3)
Instruktur ini sabar dan sangat membantu. Ia memahami topik dengan baik.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kursus - Agentic AI for Business Automation: Use Cases & Integration
Diterjemahkan Mesin
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
