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 Pembelajaran Penguatan dan AI Agentic
- Pengambilan keputusan dalam ketidakpastian dan perencanaan berurutan
- Komponen kunci RL: agen, lingkungan, keadaan, dan hadiah
- Peran RL dalam sistem AI adaptif dan agentic
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
- Pembelajaran Monte Carlo dan Temporal-Difference (TD)
- Q-learning dan SARSA
- Praktik: implementasi metode RL tabular dalam Python
Pembelajaran Penguatan Dalam
- Menggabungkan jaringan saraf dengan RL untuk aproksimasi fungsi
- Jaringan Q-Dalam (DQN) dan pengalaman replay
- Arsitektur Actor-Critic dan gradien kebijakan
- Praktik: melatih agen menggunakan DQN dan PPO dengan Stable-Baselines3
Strategi Eksplorasi dan Pembentukan Hadiah
- Menyeimbangkan eksplorasi vs. eksploitasi (ε-greedy, UCB, metode entropi)
- Merancang fungsi hadiah dan menghindari perilaku yang tidak diinginkan
- Pembentukan hadiah dan pembelajaran kurikulum
Topik Lanjutan dalam RL dan Pengambilan Keputusan
- Pembelajaran penguatan multi-agen dan strategi kolaboratif
- Pembelajaran penguatan hierarkis dan kerangka opsi
- Offline RL dan pembelajaran imitasi untuk penerapan yang lebih aman
Lingkungan Simulasi dan Evaluasi
- Penggunaan OpenAI Gym dan lingkungan kustom
- Ruang aksi kontinu vs. diskrit
- Metriks untuk kinerja agen, stabilitas, dan efisiensi sampel
Integrasi RL ke dalam Sistem AI Agentic
- Menggabungkan penalaran dan RL dalam arsitektur agen hibrida
- Integrasi pembelajaran penguatan dengan agen pengguna alat
- Pertimbangan operasional untuk penskalaan dan penerapan
Proyek Puncak
- Merancang dan mengimplementasikan agen pembelajaran penguatan untuk tugas yang disimulasikan
- Menganalisis kinerja pelatihan dan mengoptimalkan hyperparameter
- Menunjukkan perilaku adaptif dan pengambilan keputusan dalam konteks agentic
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Keahlian kuat dalam pemrograman Python
- Pemahaman yang solid tentang konsep machine learning dan deep learning
- Kenalan dengan aljabar linear, probabilitas, dan metode optimisasi dasar
Audience
- Insinyur pembelajaran penguatan dan peneliti AI terapan
- Developer robotika dan otomasi
- Tim teknik yang bekerja pada sistem AI adaptif dan agentic
28 Jam
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
