Explore les agents d'apprentissage profond dans l'apprentissage du renforcement, en mettant l'accent sur les approximations du réseau neuronal et les défis dans la formation des systèmes multiactifs.
Explore les agents réactifs et les processus décisionnels, couvrant des sujets tels que les processus décisionnels de Markov et les agents en temps réel.
Introduit un cours basé sur des projets en communication et en robotique, mettant l'accent sur des projets pratiques et un apprentissage indépendant pour préparer les étudiants à relever des défis du monde réel.
Plongez dans les défis et les avantages de l'apprentissage profond, en soulignant la transition vers les réseaux neuronaux convolutifs et l'impact de la largeur du réseau sur le paysage des pertes.
Fournit des conseils sur les propositions de projets en théorie des jeux, en présentant des exemples passés et en mettant laccent sur la formulation des problèmes et la modélisation mathématique.
Explore le développement historique de l'apprentissage profond, de l'apprentissage par renforcement, des mécanismes d'attention et des systèmes de mémoire en IA inspirés des neurosciences.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé, l'apprentissage par renforcement et la réduction des dimensions.
Couvre les principes fondamentaux de l'apprentissage profond, y compris les données, l'architecture et les considérations éthiques dans le déploiement de modèles.