Apprentissage par renforcement (6ECTS).

Responsables : Guillaume Lagarde, Akka Zemmari


Description

L’objectif de cette UE est de présenter les fondements théoriques de l’apprentissage profond (RL), afin de les mettre en pratique dans des domaines variés. Une première partie du cours s’appuie sur une riche théorie mathématique (Markov Decision Process(MDP), Monte Carlo Tree Search (MCTS), ...), et permet de saisir les enjeux du domaine, elle est complétée par une deuxième partie plus pratique où l’apprentissage par renforcement se combine aux techniques d’apprentissage profond (Q-Learning, DQN, ...).


Contenu détaillé :

  • Introduction pdf
  • Rappels mathématiques (éléments de probabilités, statistiques, calcul différentiel, ...)
  • Processus de decision markoviens
  • Programmation dynamique
  • Recherche de politique optimale
  • Apprentissage dans l'incertain :
  • Difference temporelle
  • Q-Learning et SARSA
  • Deep Q-Learning (DQN)
  • Monte Carlo Tree Search (MCTS)

Les tds/tps se feront sur les environnements Open AI (Grid World, ...)

Projet : RL pour les jeux (Go et/ou Echecs)