Cursusaanbod
Inleiding tot reinforcement learning en agentische AI
- Besluitvorming onder onzekerheid en sequentiële planning
- De belangrijkste componenten van RL: agents, omgevingen, statussen en beloningen
- De rol van RL in adaptieve en agentische AI-systemen
Markovbesluitprocessen (MDP’s)
- Formele definitie en kenmerken van MDP’s
- Waardefuncties, Bellmanvergelijkingen en dynamisch programmeren
- Evaluatie, verbetering en iteratie van beleidsregels
Model-loos reinforcement learning
- Monte Carlo- en temporal-difference (TD)-leren
- Q-learning en SARSA
- Praktische oefening: het implementeren van tabulaire RL-methoden in Python
Deep reinforcement learning
- Het combineren van neuronale netwerken met RL voor functionele benadering
- Deep Q-Networks (DQN) en ervaringsherhaling
- Actor-Critic-architecturen en beleidsgradiënten
- Praktische oefening: het trainen van een agent met DQN en PPO via Stable-Baselines3
Strategieën voor exploratie en beloningsvorming
- Het balanceren tussen exploratie en exploitatie (bijvoorbeeld ε-greedy, UCB, entropie-gebaseerde methoden)
- Ontwerp van beloningsfuncties en voorkomen van onbedoelde gedragingen
- Beloningsvorming en curriculumpedagogiek in leerprocessen
Geavanceerde onderwerpen binnen RL en besluitvorming
- Multi-agent reinforcement learning en samenwerkende strategieën
- Hiërarchisch reinforcement learning en het options-raamwerk
- Offline RL en imitatieleren voor veiligere implementaties
Simulatieomgevingen en evaluatiemethoden
- Werken met OpenAI Gym en eigen gedefinieerde omgevingen
- Continu versus discreet actiebereik bij besturing
- Beoordelingscriteria voor de prestaties, stabiliteit en efficiëntie van agents
Integratie van RL in agentische AI-systemen
- Het combineren van redenering en RL binnen hybride agentarchitecturen
- Integratie van reinforcement learning met agents die tools kunnen gebruiken
- Operationele overwegingen bij opschalen en implementeren
Afsluitend project
- Ontwerp en implementatie van een reinforcement learning-agent voor een gesimuleerde taak
- Analyse van trainingsresultaten en optimalisatie van hyperparameters
- Demonstratie van adaptief gedrag en besluitvorming binnen een agentische context
Samenvatting en vervolgstappen
Vereisten
- Uitstekende kennis van Python-programmeren
- Grondige kennis van de basisconcepten van machine learning en deep learning
- Kennis van lineaire algebra, waarschijnlijkheidsleer en fundamentele optimalisatiemethoden
Doelgroep
- Engineers gespecialiseerd in reinforcement learning en toegepaste AI-onderzoekers
- Ontwikkelaars van robotica- en automatiseringssystemen
- Ingenieursteams die werken aan adaptieve en agentische AI-systemen
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 6400 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (3)
De trainer is geduldig en zeer behulpzaam. Hij kent het onderwerp goed.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Cursus - Agentic AI for Business Automation: Use Cases & Integration
Automatisch vertaald
Goede mix van kennis en praktijk
Ion Mironescu - Facultatea S.A.I.A.P.M.
Cursus - Agentic AI for Enterprise Applications
Automatisch vertaald
De combinatie van theorie en praktijk, en van hoge- en lagenniveau perspectieven
Ion Mironescu - Facultatea S.A.I.A.P.M.
Cursus - Autonomous Decision-Making with Agentic AI
Automatisch vertaald
