Découvrez le Pouvoir de l'Apprentissage par Renforcement

Ce cours constitue une introduction rigoureuse aux algorithmes d’apprentissage par renforcement, un domaine de l’intelligence artificielle consacré à l’apprentissage de stratégies décisionnelles par interaction et rétroaction. À l’aide de Python, TensorFlow, OpenAI Gym et Google Colab, vous étudierez l’implémentation, l’entraînement et l’évaluation de plusieurs méthodes classiques et modernes. Le contenu est accessible aux débutants sérieux, sans nécessiter d’expérience préalable approfondie.

Programmez des Agents IA Performants

De zéro à expert, maîtrisez des technologies utilisées par DeepMind et Tesla.

Explorez les Algorithmes Avancés

Découvrez Q-Learning, DQN et PPO pour créer des IA puissantes.

Appliquez vos Connaissances

Pratiquez avec des simulations interactives et des jeux pour des applications concrètes.

Rencontrez Votre Formateur, Expert en IA

Bienvenue ! Je suis le Dr Haythem Rehouma, titulaire d’un doctorat en informatique avec une spécialisation approfondie en intelligence artificielle. En tant qu’enseignant et chercheur passionné, je me consacre aux domaines de l’IA, de l’apprentissage automatique et des systèmes intelligents. Fort de plusieurs années d’expérience académique et pratique, mon objectif est de proposer des parcours d’apprentissage stimulants et enrichissants pour tous les apprenants. Ce cours reflète pleinement ma passion pour le partage des connaissances et la promotion d’une culture d’apprentissage continu.

Explorez le Programme du Cours

15 Chapters · 57 Lessons

  1. 1

    Chapitre 00 - Installer l'environnement

    1. (Included in full purchase)

      Chapitre 00 – Ressources du Cours & Introduction

    2. (Included in full purchase)

      Chapitre 00 – Partie 1 : Installer Python, Anaconda et TensorFlow

    3. (Included in full purchase)

      Chapitre 00 – Partie 2 : Configurer Jupyter et Google Colab

    4. (Included in full purchase)

      Chapitre 00 – Partie 3 : Premier script Gym – Tester l'installation

    5. (Included in full purchase)

      Chapitre 00 – Partie 4 : Environnements Virtuels Python

    6. (Included in full purchase)

      Quiz du Chapitre 00

  2. 2

    Chapitre 01 - Introduction à l'apprentissage par renforcement ou RL (Reinforcement Learning)

    1. (Included in full purchase)

      Chapitre 01 – Partie 1 : C'est quoi le Reinforcement Learning ?

    2. (Included in full purchase)

      Chapitre 01 – Partie 2 : Comparaison Apprentissage Supervisé, Non Supervisé et RL

    3. (Included in full purchase)

      Chapitre 01 – Partie 3 : Exemples et Applications du RL dans le Monde Réel

    4. (Included in full purchase)

      Quiz du Chapitre 01

  3. 3

    Chapitre 02 - Notions Fondamentales du RL

    1. (Included in full purchase)

      Chapitre 02 – Partie 1 : Interaction Agent-Environnement

    2. (Included in full purchase)

      Chapitre 02 – Partie 2 : Exploration vs Exploitation — Le Grand Dilemme

    3. (Included in full purchase)

      Chapitre 02 – Partie 3 : Environnements Dynamiques et Stochastiques

    4. (Included in full purchase)

      Chapitre 02 – Fiche de Terminologie Complète

    5. (Included in full purchase)

      Quiz du Chapitre 02

  4. 4

    Chapitre 00 - Ressources du cours et Installer l'environnement

    1. (Included in full purchase)

      Ressources du Cours Introduction

    2. (Included in full purchase)

      Installer Python, Anaconda et TensorFlow

    3. (Included in full purchase)

      Configurer Jupyter et Google Colab

    4. (Included in full purchase)

      Premier script Gym – Tester l'installation

    5. (Included in full purchase)

      Environnements Virtuels Python

  5. 5

    Chapitre 01 - Introduction au Reinforcement Learning

    1. (Included in full purchase)

      C'est quoi le Reinforcement Learning ?

    2. (Included in full purchase)

      Comparaison Apprentissage Supervisé, Non Supervisé et RL

    3. (Included in full purchase)

      Exemples et Applications du RL dans le Monde Réel

    4. (Included in full purchase)

      Récap – Les Concepts Clés du RL

  6. 6

    Chapitre 02 - Notions Fondamentales du RL

    1. (Included in full purchase)

      Interaction Agent-Environnement

    2. (Included in full purchase)

      Exploration vs Exploitation — Le Grand Dilemme

    3. (Included in full purchase)

      Environnements Dynamiques et Stochastiques

    4. (Included in full purchase)

      Chapitre 02 – Fiche de Terminologie Complète

  7. 7

    Chapitre 03 - MDP Partie 1 - Etats Actions Recompenses

    1. (Included in full purchase)

      Définition des MDP et Propriété de Markov

    2. (Included in full purchase)

      états, Actions et Récompenses dans un MDP

    3. (Included in full purchase)

      Transitions et Probabilités d'Incertitude

    4. (Included in full purchase)

      Application Pratique — Labyrinthe avec Gym

  8. 8

    Chapitre 04 - MDP Partie 2 - Politique et Equations de Bellman

    1. (Included in full purchase)

      Politique Optimale vs Sous-optimale

    2. (Included in full purchase)

      Fonctions de Valeur V(s) et Q(s,a)

    3. (Included in full purchase)

      Équations de Bellman

    4. (Included in full purchase)

      Algorithmes d'Itération sur la Valeur et la Politique

  9. 9

    Chapitre 05 - Q-Learning

    1. (Included in full purchase)

      Fondamentaux du Q-Learning

    2. (Included in full purchase)

      Mise à Jour des Q-values et Convergence

    3. (Included in full purchase)

      Implémentation Q-Learning dans un Labyrinthe Gym

  10. 10

    Chapitre 06 - Methodes de Monte Carlo

    1. (Included in full purchase)

      Introduction aux Méthodes de Monte Carlo

    2. (Included in full purchase)

      Monte Carlo vs TD Learning

    3. (Included in full purchase)

      Implémentation Monte Carlo avec Gym

  11. 11

    Chapitre 07 - Programmation Dynamique et TD Learning

    1. (Included in full purchase)

      Introduction à la Programmation Dynamique

    2. (Included in full purchase)

      Méthodes TD(0) et TD(λ)

    3. (Included in full purchase)

      Implémentation TD(0) / SARSA avec Gym

  12. 12

    Chapitre 08 - Problemes de Bandits

    1. (Included in full purchase)

      Principe des Bandits Simples

    2. (Included in full purchase)

      Algorithmes de Bandits – Valeurs et Gradients

    3. (Included in full purchase)

      Bandits Complexes – Contextuels et Combinatoires

  13. 13

    Chapitre 09 - Revision Monte Carlo et TD Learning

    1. (Included in full purchase)

      Révision Monte Carlo et TD Learning

    2. (Included in full purchase)

      Comparaison Biais, Variance et Efficacité

    3. (Included in full purchase)

      Préparation aux Méthodes Avancées

  14. 14

    Chapitre 10 (OPTIONNEL) - Approches Avancees Deep RL

    1. (Included in full purchase)

      Chapitre 10 (OPTIONNEL) – Partie 1 : Introduction au Deep RL

    2. (Included in full purchase)

      Chapitre 10 (OPTIONNEL) – Partie 2 : Actor-Critic et Policy Gradient

    3. (Included in full purchase)

      Chapitre 10 (OPTIONNEL) – Partie 3 : Ressources et Prochaines Étapes

  15. 15

    Chapitre 11 (OPTIONNEL) - Activites et Evaluations

    1. (Included in full purchase)

      Évaluation de mi-session – Renforcement Learning

    2. (Included in full purchase)

      Évaluation Finale – Reinforcement Learning

    3. (Included in full purchase)

      Projet Final – Agent Q-Learning sur un Environnement Personnalisé

Passez à l’action : transformez votre avenir avec l’IA !

Rejoignez-nous dès aujourd'hui pour démarrer votre parcours vers l'expertise en intelligence artificielle.

Lancer mon parcours IA