Agent RL pour lisser la facture énergétique d'un banc de test batteries
Aperçu
En quoi consiste ce défi.
Implémentez et entraînez deux agents RL sur un banc de test batteries, comparez leurs performances, et obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment un agent de renforcement profond peut-il apprendre à séquencer des cycles de charge/décharge de cellules pour minimiser le coût électrique tout en respectant les contraintes de production et de sécurité thermique ?
Earning criteria — what you'll demonstrate
- Formaliser un problème industriel concret comme un Processus de Décision Markovien avec état, action et récompense
- Implémenter et entraîner un agent Deep Q-Network et un agent à gradient de politique de type PPO
- Évaluer la stabilité et la sensibilité de l'entraînement aux hyperparamètres
- Concevoir une fonction de récompense qui équilibre plusieurs objectifs concurrents (coût, débit, sécurité)
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMachine Learning Engineer
Ce défi reproduit le cycle complet de mise en production d'un agent de renforcement (formalisation, entraînement, évaluation), une compétence directement transférable à un poste de Machine Learning Engineer en environnement industriel.
Ce défi renforce
- deep-q-learning
- policy-gradient-methods
- reward-engineering
Data Scientist
L'analyse comparative chiffrée entre agents et politique de référence développe la rigueur d'évaluation attendue d'un Data Scientist face à des décideurs opérationnels.
Ce défi renforce
- reward-engineering
- analytical-reasoning
- ai-assisted-coding
MLOps Engineer
La reproductibilité de l'entraînement et le suivi d'expériences préparent aux pratiques d'un MLOps Engineer responsable du cycle de vie des modèles.
Ce défi renforce
- deep-q-learning
- policy-gradient-methods
- ai-assisted-coding