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
course image

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)
  • Définition et concepts clés
    Différence entre apprentissage supervisé, non supervisé et par renforcement
    Contexte historique et moments décisifs
  • Fondamentaux de l'apprentissage par renforcement
  • 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
  • Algorithmes d'apprentissage par renforcement
  • 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
  • Concepts avancés de l'apprentissage par renforcement
  • Apprentissage par renforcement profond et réseaux neuronaux
    Méthodes de gradient politique
    Modèles acteur-critique
    Compromis exploration-exploitation
  • Étude de cas : Systèmes de drainage par toit sifonique
  • 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
  • Mise en œuvre pratique
  • 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
  • Défis et perspectives futures
  • Évolutivité et limites computationnelles
    Considérations éthiques dans les applications RL
    Tendances futures et innovations potentielles dans la technologie RL
  • Conclusion
  • Revue des concepts clés et des enseignements
    Discussion sur l'impact du RL dans diverses industries
    Projet final et évaluation
  • Ressources supplémentaires
  • Lectures recommandées
    Tutoriels et outils en ligne
    Forums communautaires et conférences

Sujets

Conférences