... | ... | @@ -28,9 +28,9 @@ Cette journée est organisée par **l'IDRIS** et **l'ANF Fidle**, avec le soutie |
|
|
|
|
|
## Séquence 19 : Jeudi 4 Mai 2023, 14h
|
|
|
|
|
|
|**Deep Reinforcement Learning : Tactiques et Stratégies?**|
|
|
|
|**PINNS (Physics Informed Neural Networks):Couplage Physique-IA ? **|
|
|
|
|--|
|
|
|
Les PINNS (Physics Informed Neural Networks) sont une technique avancée de modélisation en intelligence artificielle qui permet de résoudre des problèmes de physique et d'ingénierie en utilisant des réseaux de neurones. Concrètement, cela signifie que les PINNS peuvent être utilisés pour simuler des phénomènes physiques ou prédire des résultats d'expériences en utilisant des données d'entrée telles que les conditions initiales et les paramètres de la physique. <br><br>Au menu de cette séquence :<br> <br>- Introduction au Reinforcement Learning<br>- Q-learning vs Sarsa<br>- Du RL au DQN : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation<br> - Policy Gradient : directement dans l'action<br>- Cas d'usage, résultats et perspectives<br><br>Séquence animée par Bertrand Cabot (CNRS/IDRIS) et Léo Hunout (INRIA/IDRIS) Durée : 3h<br><br> <img width=350 src="uploads/f10802cffd738d1636fccd94d082b8c0/smilingrobot.png">
|
|
|
Les PINNS (Physics Informed Neural Networks) sont une technique avancée de modélisation en intelligence artificielle qui permet de résoudre des problèmes de physique et d'ingénierie en utilisant des réseaux de neurones. Concrètement, cela signifie que les PINNS peuvent être utilisés pour simuler des phénomènes physiques ou prédire des résultats d'expériences en utilisant des données d'entrée telles que les conditions initiales et les paramètres de la physique. <br>'utilisation des PINNS est généralement réservée à des experts en physique ou en mathématiques, car ils nécessitent une certaine connaissance de la théorie physique et des techniques de modélisation en IA.<br><br>Au menu de cette séquence :<br> <br>- Introduction au Reinforcement Learning<br>- Q-learning vs Sarsa<br>- Du RL au DQN : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation<br> - Policy Gradient : directement dans l'action<br>- Cas d'usage, résultats et perspectives<br><br>Séquence animée par Bertrand Cabot (CNRS/IDRIS) et Léo Hunout (INRIA/IDRIS) Durée : 3h<br><br> <img width=350 src="uploads/f10802cffd738d1636fccd94d082b8c0/smilingrobot.png">
|
|
|
|
|
|
A propos de la **[formation Fidle](https://fidle.cnrs.fr/presentation)**
|
|
|
Découvrez le **[programme 2022/23](Fidle à distance/Programme)**
|
... | ... | |