15 Gérer la complexité du monde : De la régression linéaire à l’apprentissage profond (à venir)

Yann Bouteiller

 

Ce chapitre sera disponible dès que la traduction du chapitre original sera terminée.

 

Table des matières

1 Objectifs du chapitre

2 Introduction

Une perspective de l’industrie : Entrevue avec Jonathan Lussier, directeur, propriété intellectuelle et innovation, Kinova inc.

3 Définitions

4 De la régression linéaire à l’apprentissage profond

4.1 Optimisation des pertes

4.2 Régression linéaire

4.3 Formation de modèles généralisables Sur-ajustement

Descente de gradient stochastique

Formation, validation et test

Régularisation

4.4 Réseaux neuronaux profonds

4.5 Rétro-propagation par gradient dans les réseaux neuronaux profonds

4.6 Réseaux neuronaux convolutifs

4.7 Réseaux neuronaux récurrents

4.8 Apprentissage profond pour les applications pratiques

CNN et GAN

Modélisation séquentielle

Clonage comportemental

5 Recherche de politiques pour le contrôle robotique

5.1 Limites de l’apprentissage supervisé pour le contrôle

5.2 Apprentissage par renforcement profond

Interaction avec l’environnement

Objectif de l’apprentissage par renforcement

Politique du réseau Q profond

Entraînement du réseau Q profond

5.3 Améliorations du Q-apprentissage profond

Cible se déplaçant lentement

Double Q-Networks

5.4 Apprentissage par renforcement profond pour les applications pratiques

6 Conclusion : comment comprendre le monde en profondeur ? 

7 Résumé

8 Quiz

9 Autres lectures

Références

 

Objectifs d’apprentissage

À la fin de ce chapitre, vous :
– Comprendrez les principes fondamentaux du ML moderne, et en particulier de l’apprentissage profond;
– Serez familiarisé avec les régressions linéaires, les MLP, les CNN et les RNN;
– Connaîtrez les techniques supervisées qui sont les plus pertinentes pour la robotique;
– Comprendrez les principes fondamentaux de l’apprentissage par renforcement profond;
– Vous familiariserez avec les environnements Gym et DQN;
– Connaîtrez les algorithmes d’apprentissage par renforcement profond qui sont les plus pertinents pour la robotique.

 

Licence

Symbole de License Creative Commons Attribution - Pas d’utilisation commerciale - Partage dans les mêmes conditions 4.0 International

Fondements de la robotique Droit d'auteur © 2022 par Damith Herath et David St-Onge. Traduction de l’édition anglaise : Foundations of Robotics – A Multidisciplinary Approach with Python and ROS. Copyright © Dr. Damith Herath, Dr.David St-Onge 2022. est sous licence License Creative Commons Attribution - Pas d’utilisation commerciale - Partage dans les mêmes conditions 4.0 International, sauf indication contraire.

Partagez ce livre