Ce repository contient les travaux pratiques réalisés dans le cadre du module Machine Learning II, axé sur l'apprentissage par renforcement (Reinforcement Learning). L'objectif est d'explorer les concepts fondamentaux, d'expérimenter avec des algorithmes classiques et d'appliquer ces techniques à des problématiques concrètes.
Ce projet est organisé en quatre travaux pratiques (TP), chacun traitant un aspect clé de l'apprentissage par renforcement :
| TP | Sujet | Objectif |
|---|---|---|
| TP1 | Introduction à OpenAI Gym | Se familiariser avec les outils essentiels du Reinforcement Learning |
| TP2 | Implémentation de Q-Learning | Mettre en pratique les concepts fondamentaux de l'apprentissage par renforcement |
| TP3 | Optimisation des feux de circulation | Appliquer l'apprentissage par renforcement à un problème du monde réel, et comparer Q-Learning avec SARSA |
| TP4 | Apprentissage profond pour les jeux | Comprendre et expérimenter avec l’algorithme Proximal Policy Optimization (PPO) |
| TP5 | Apprentissage par renforcement avec TF-Agents | Décovrir l'utilisation pratique de la bibliothéque TensorFlow Agents (TF-Agents) |
| TP6 | Apprentissage par renforcement avec TorchRL | Entrainer un agent intelligent à jouer au célèbre jeu Super Mario Bros |
- Python 3.x
- Environnement de développement - Recommandé : Jupyter / Colab / Vs Code
- OpenAI Gym – Environnement de simulation pour le RL
- NumPy & Matplotlib – Manipulation des données et visualisation
- Cloner le repository
git clone https://github.com/soukayna-thr/ML2-Reinforcement-Learning.git
- Accéder au projet
cd ML2-Reinforcement-Learning
Les résultats détaillés de chaque TP (apprentissage des agents, graphiques, scores obtenus) sont disponibles dans les notebooks et les fichiers correspondants.
Ce projet est distribué sous la licence MIT. Consultez le fichier LICENSE pour plus d'informations.