Introduction à l'apprentissage par renforcement dans les réseaux

Organisation

Cours/TD/TP/projet/examen : - Cours/TD/TP/ Examen : 32/4/6/1

Acquis d'apprentissage

A la fin de ce module les étudiants seront capables de :
- bien comprendre les types de réseaux de neurones
- bien comprendre quel type utiliser pour résoudre un problème
- avoir une bonne expérience à manipuler du 'big data' par Pandas (python)
- acquérir les connaissances de base de l'apprentissage par renforcement
- maitriser les environnements GYM et OPENAI dans TENSORFLOW
- adapter un problème pratique à un agent discret ou continu.

Compétences CDIO

• 1.1 - Connaissance des sciences de base, y compris mathématiques et autres
• 2.1.1 - Apprendre à poser et formuler les problèmes
• 2.1.2 - Modélisation
• 2.1.5 - Solutions et recommandations

Prérequis

Python, bases de réseaux

Contenu

- Introduction aux techniques d’apprentissage (général)
- Panorama des méthodes (général)
- Apprentissage supervisé SVM (appliqué aux réseaux)
- Apprentissage par renforcement
- Markov Decision Process 1
- MDP 2
- TP SVM
- TP MDP
- TP Renforcement 1
- TP Renforcement 2
- Projet de renforcement

Evaluation

- présence notée, TP noté, projet, controle (25%,50%,15%, 10%)

Formule de l'évaluation

Mots clé :
Renforcement, apprentissage, techniques de gradient, MDP, politiques d’approximation

Bibliographie

Learning materials :

Literature :
- "Hands on Machine Learning”
- Deep reinforcement Learning
- tous les exemples de renforcement sur github
- les MDP dans l'IA

Approches pédagogiques

Apprentissage par la pratique, apprentissage sur des exemples réels, usage des outils les plus appropriés à une maitrise rapide