What You Need to Know Before
You Start
Starts 7 June 2025 19:01
Ends 7 June 2025
00
days
00
hours
00
minutes
00
seconds
Apprentissage par renforcement - Une introduction douce et application industrielle
Explorez les principes de l'apprentissage par renforcement et leur application concrète dans les systèmes de drainage de toiture siphonique, réduisant les taux d'échec de 70 % pour les grands bâtiments pendant les fortes pluies.
MLCon | Machine Learning Conference
via YouTube
MLCon | Machine Learning Conference
2544 Cours
50 minutes
Optional upgrade avallable
Not Specified
Progress at your own speed
Conference Talk
Optional upgrade avallable
Aperçu
Explorez les principes de l'apprentissage par renforcement et leur application concrète dans les systèmes de drainage de toiture siphonique, réduisant les taux d'échec de 70 % pour les grands bâtiments pendant les fortes pluies.
Programme
- Introduction à l'apprentissage par renforcement (RL)
- Fondamentaux de l'apprentissage par renforcement
- Algorithmes d'apprentissage par renforcement
- Concepts avancés de l'apprentissage par renforcement
- Étude de cas : Systèmes de drainage par toit sifonique
- Mise en œuvre pratique
- Défis et perspectives futures
- Conclusion
- Ressources supplémentaires
Définition et concepts clés
Différence entre apprentissage supervisé, non supervisé et par renforcement
Contexte historique et moments décisifs
Composants clés : agents, environnements, états, actions et récompenses
Le processus de décision de Markov (MDP)
Fonctions de valeur : fonctions de valeur d'état et d'action
Représentations politiques et amélioration
Méthodes basées sur le modèle vs sans modèle
Programmation dynamique
Méthodes de Monte Carlo
Apprentissage par différence temporelle
Vue d'ensemble du Q-learning et SARSA
Apprentissage par renforcement profond et réseaux neuronaux
Méthodes de gradient politique
Modèles acteur-critique
Compromis exploration-exploitation
Introduction au drainage siphonique
Déclaration de problème : réduction des taux d'échec lors de fortes pluies
Application du RL pour optimiser les systèmes siphoniques
Analyse des résultats : obtenir une réduction de 70 % des taux d'échec
Sélection de l'environnement et des outils RL appropriés
Mise en place de simulations pour des applications industrielles
Entraînement de modèles RL pour des systèmes réels
Évolutivité et limites computationnelles
Considérations éthiques dans les applications RL
Tendances futures et innovations potentielles dans la technologie RL
Revue des concepts clés et des enseignements
Discussion sur l'impact du RL dans diverses industries
Projet final et évaluation
Lectures recommandées
Tutoriels et outils en ligne
Forums communautaires et conférences
Sujets
Conférences