L'aprenentatge profund ha aconseguit resultats notables en camps com la visió per computador, el reconeixement de la parla o el processament del llenguatge natural. Més recentment, hi ha hagut avenços en l’aprenentatge profund per reforç, el qual estudia sistemes que interactuen amb el seu entorn i aprenen a triar les accions que funcionen millor automàticament. L’aprenentatge per reforç s’utilitza en aplicacions com la conducció autònoma, l'automatització de processos industrials, els sistemes de recomanació, etc.
En aquesta xerrada, Daniel Fojo presentarà una introducció a l’aprenentatge per reforç o RL (Reinforcement Learning). La sessió introduirà els tipus principals d’algoritmes d’aprenentatge per reforç i les seves aplicacions. Seguit d’això, es donarà una definició formal dels conceptes fonamentals necessaris per entrenar xarxes neuronals amb aprenentatge profund i dels processos de decisió de Markov. Finalment, s’explicaran alguns dels algoritmes més clàssics d’aprenentatge per reforç, en els quals estan basats tots els algoritmes de RL profunds.
Aquesta open class es realitzarà EN ANGLÈS.
El ponent
Daniel Fojo, Machine Learning Engineer at Glovo.
Graduat en Matemàtiques i en Enginyeria Física pel Centre de Formació Interdisciplinària Superior (CFIS) i màster en Matemàtiques Avançades i Enginyeria Matemàtica. És també codirector del postgrau en Artificial Intelligence with Deep Learning de la UPC School.
La sessió es farà en línia mitjançant l'eina Google Meet.
Més entrades de Formació
Comentaris