Descriptif
Contenu:
e cours est une introduction à l'apprentissage par renforcement orientée vers les mathématiques. L'objectif est de présenter les fondements de l'apprentissage par renforcement afin que les étudiants soient capables de lire et d'appliquer des articles de recherche. L'accent sera mis sur les mathématiques sous-jacentes afin de faciliter la compréhension de l'heuristique des algorithmes.
21 heures en présentiel
Diplôme(s) concerné(s)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade américainPour les étudiants du diplôme AUDITEURS - IP Paris
Le rattrapage est autorisé (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 DS - Data Science
Vos modalités d'acquisition :
Projet basé sur un article de recherche (étude théorique et/ou implémentation)
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 MSV - Mathématiques pour les Sciences du Vivant
Vos modalités d'acquisition :
Projet basé sur un article de recherche (étude théorique et/ou implémentation)
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
Syllabus:
- Sequential Decisions, MDP and Policies
- Operations Research: Prediction and Planning
- Reinforcement Learning: Prediction and Planning in the Tabular Setting
- Reinforcement Learning: Advanced Techniques in the Tabular Setting
- Reinforcement Learning: Approximation of the Value Functions
- Reinforcement Learning: Policy Approach
