Aprendizagem por Reforço com Deep Learning, PyTorch e Python

Aprenda todos os conceitos de Aprendizagem por Reforço e construa passo a passo um carro autônomo virtual utilizando Deep Q-Learning (6h)
Última atualização: 25 de junho de 2020
Seu Estado
Não Inscrito
Preço
Assinantes

O que você aprenderá

  • Teoria sobre aprendizagem por reforço com o algoritmo Q-Learning e Deep Q-Learning
  • Implementação passo a passo de uma inteligência artificial para controlar um carro autônomo virtual
  • Redes neurais artificiais

Requisitos

  • Lógica de programação, principalmente estruturas condicionais e de repetição
  • Programação básica em Python
  • Conhecimentos sobre instalação de softwares básicos, porém, durante o curso será mostrado o processo de instalação das ferramentas utilizadas
  • Noções de Orientação a Objetos, como: classes, objetos, atributos e métodos
  • Conhecimentos básicos sobre Redes Neurais Artificiais são desejáveis (no final do curso tem um anexo para revisar esse conteúdo)

Descrição

A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícios computacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essas técnicas, tais como: carros autônomos, descoberta de novos medicamentos, cura e diagnóstico antecipado de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes! Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram “imitar” como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina).

Também dentro do contexto da Aprendizagem de Máquina existe a área de Aprendizagem por Reforço, que é um tipo de aprendizagem usado em sistemas multi-agente no qual os agentes devem interagir no ambiente e aprenderem por conta própria, ganhando recompensas positivas quando executam ações corretas e recompensas negativas quando executam ações que não levem para o objetivo. O interessante dessa técnica é que a inteligência artificial aprende sem nenhum conhecimento prévio, adaptando-se ao ambiente e encontrando as soluções sozinho!

E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre a construção de um carro autônomo virtual utilizando aprendizagem por reforço! Vamos trabalhar com técnicas modernas de Deep Learning com a biblioteca PyTorch e a linguagem Python! Ao final você terá todas as ferramentas necessárias para solucionar outros tipos de problemas com aprendizagem por reforço. O conteúdo do curso está dividido em três partes:

  • Teoria sobre aprendizagem por reforço com o algoritmo Q-Learning
  • Teoria da aprendizagem por reforço com Deep Q-Learning, com a utilização de redes neurais artificiais
  • Construção passo a passo da inteligência artificial para controlar o carro autônomo

Você ainda conta com um anexo sobre o básico das redes neurais artificiais caso você não tenha muita experiência na área.

Este curso é categorizado como nível intermediário, pois apesar de existir o anexo para a revisão do conteúdo básico, é interessante que você já tenha uma certa experiência com a área de redes neurais.

Para quem é este curso

  • Pessoas interessadas em deep learning (aprendizagem profunda)
  • Pessoas interessadas em aprender como modelar a construção de um carro autônomo virtual
  • Pessoas interessadas em aprendizagem por reforço com o algoritmo Deep Q-Learning
  • Analistas de dados que queiram aumentar seu conhecimento na área de deep learning (aprendizagem profunda)
  • Alunos de graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial

Conteúdo do Curso

Expandir
Conteúdo da Lição
0% Completo 0/2 Steps
Parte 1 - Fundamentos de Aprendizagem por Reforço
Parte 2 - Intuição Deep Q-Learning
Parte 3 - Implementação Deep Q-Learning