Introduit l'apprentissage par renforcement, couvrant ses définitions, ses applications et ses fondements théoriques, tout en décrivant la structure et les objectifs du cours.
Explique comment les robots manipulent des objets en utilisant des instructions en langage naturel et intègre des modèles de langage de vision pour améliorer les performances.
Discute de la navigation par quadritor en utilisant l'apprentissage de renforcement profond et le contrôle de bas niveau, en mettant l'accent sur l'intelligence visuelle et la robustesse du modèle de regard.
Explore les défis dans la conception de systèmes avec des composants non fiables, en mettant l'accent sur la vérification, le contrôle et l'interaction dans des systèmes peu fiables.
Explore la conception axée sur l'optimisation, la simulation différentiable, les stratégies de contrôle, et l'évolution des créatures virtuelles et des machines douces.
Explore les sujets d'apprentissage avancés du renforcement, y compris les politiques, les fonctions de valeur, la récursion de Bellman et le contrôle de la TD sur les politiques.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore la logique de la fonction neuronale, le modèle Perceptron, les applications d'apprentissage profond et les niveaux d'abstraction dans les modèles neuronaux.
Explore les techniques d'imagerie quantitative pour le génie civil, couvrant les capteurs ToF, la technologie LIDAR, les capteurs à ultrasons, la lumière structurée, les caméras stéréo et l'estimation de la profondeur via l'apprentissage en profondeur.
Explore l'apprentissage automatique efficace par la synthèse des données, couvrant les défis, les méthodes et les applications impactées dans divers domaines.
