Couvre les méthodes de prédiction sans modèle dans l'apprentissage par renforcement, en se concentrant sur Monte Carlo et les différences temporelles pour estimer les fonctions de valeur sans connaissance de la dynamique de transition.
Introduit l'apprentissage par renforcement, couvrant ses définitions, ses applications et ses fondements théoriques, tout en décrivant la structure et les objectifs du cours.
Couvre la conception du contrôleur numérique, les modèles à temps discret, le contrôleur RST, le placement des pôles, la régulation, le suivi et les performances du domaine temporel.
Présente les concepts fondamentaux du cours Signals and Systems, en mettant l'accent sur les applications pratiques de l'analyse du comportement du système.
Couvre les principes fondamentaux de la théorie du contrôle optimal, en se concentrant sur la définition des OCP, l'existence de solutions, les critères de performance, les contraintes physiques et le principe d'optimalité.