Il corso è incentrato sui metodi di apprendimento utilizzabili nei casi in cui la conoscenza non può essere estratta da un dataset raccolto offline, ma va ottenuta tramite esperienza diretta sul campo, tramite tecniche di reinforcement learning.
CONTENUTI
Modulo 1: Learning from experience – reinforcement learning
Come imparo quando non ho supervisione?
Apprendimento dall’esperienza: reinforcement learning:
• Approcci Value-based.
• Approcci Policy-based.
• Model-based RL.
• Bandits, Exploration, Exploitation.
Sim-to-real transfer
Behavior cloning e Imitation Learning
Modulo 2: Intro to practical Reinforcement Learning
Brief recap on Python basics.
Cart-pole benchmark.
OpenAI Gymnasium library.
Random policies and LQR.
Implementation of a RL Agent to control the cartpole.
Reward-shaping.
Training and testing.
OBIETTIVI DEL CORSO
Il corso ha l’obiettivo di affrontare tematiche di learning avanzato, fornendo conoscenze teoriche su diverse strategie di supervisione e su tecniche per ottimizzare ed irrobustire le reti.
PRE-REQUISITI
Per fruire a pieno di questo corso, è necessario possedere le conoscenze teoriche e pratiche di Intelligenza Artificiale.