Apprentissage par Renforcement

Description

Ce cours couvre l’apprentissage par renforcement (RL), des fondements (MDP, programmation dynamique) aux algorithmes profonds modernes (DQN, Policy Gradient, Acteur-Critique, PPO, SAC). On étudie également le RL multi-agents, le RL sûr (safe RL) et les applications en robotique, jeux et contrôle.

Table of Contents

1. Chapter 1 Processus de Décision Markovien
2. Chapter 2 Programmation Dynamique
3. Chapter 3 Méthodes Monte Carlo et Différences Temporelles
4. Chapter 4 Q-Learning et SARSA
5. Chapter 5 Deep Q-Network et Variantes
6. Chapter 6 Gradients de Politique — REINFORCE
7. Chapter 7 Méthodes Acteur-Critique
8. Chapter 8 Algorithmes d’État de l’Art
9. Chapter 9 RL Multi-Agents
10. Chapter 10 RL avec Contraintes et Sécurité
11. Chapter 11 Applications

Prerequisites

Probabilités (chaînes de Markov), apprentissage profond (réseaux de neurones, optimisation par gradient).

Download