O Aprendizado por Reforço (AR) é um paradigma de Aprendizado de Máquina (AM) que visa capacitar os agentes computacionais inteligentes a tomar decisões por meio da experiência de interação com o ambiente e um feedback avaliativo. Ao contrário do paradigma de AM supervisionado, cujos métodos dependem de um grande volume de dados rotulados, o AR permite que um agente aprenda a tomar decisões em um ambiente dinâmico por meio de tentativa e erro. Essas características distintas tornam o AR um paradigma adequado para o desenvolvimento de uma ampla variedade de aplicações, incluindo: robótica, jogos, finanças, saúde e logística. Neste curso, veremos uma revisão abrangente do AR, quando serão apresentados os conceitos e terminologias básicos do AR e discutidas suas vantagens sobre os métodos de aprendizagem supervisionados. Ao final do curso, será apresentado o Q-Leaning, um dos mais importantes e largamente utilizados algoritmos de AR.
Tatiane Nogueira obteve seu doutorado em Ciência da Computação e Matemática Computacional pela Universidade de São Paulo (ICMC/USP/Brasil), trabalhando com agrupamento fuzzy para mineração de textos. Durante seu doutorado, desenvolveu parte de suas pesquisas nas universidades de Granada-Espanha e McGill-Canada. Tem experiência trabalhando principalmente com Inteligência Artificial Teórica e Aplicada, com foco especial na construção de sistemas inteligentes de tomada de decisão sob incerteza. Atualmente, ocupa o cargo de Professor Adjunto no Instituto de Computação da Universidade Federal da Bahia (UFBA/Brasil), sendo membro do grupo de pesquisa Computational Intelligence and Optmization Research Lab (CINO), supervisionando estudantes de graduação e pós-graduação. Tem colaborações internacionais em andamento com parceiros da Universidade Juntendo (Japão), Department of Reproductive Biology, Center for Regenerative Medicine, National Center for Child Health and Development Research Institute (Japão) e da Universidade do Porto (Portugal), além de várias colaborações nacionais. Atua como revisora de periódicos e conferências nacionais e internacionais, além de atuar como General Chair, Program Chair e Steering Committee de diferentes conferências e workshops. É membro da Sociedade Brasileira de Computação (SBC), sendo a atual coodenadora da Comissão Especial de Inteligência Artificial (CE-IA) da SBC, do Institute of Electrical and Electronics Engineers (IEEE) e pesquisadora associada do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI), do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP São Carlos. De 2019 a 2020, realizou pesquisa de pós-doutorado no Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC/USP), trabalhando com classificação e representação fuzzy de séries temporais. Principais interesses de pesquisa: Inteligência Artificial, Aprendizado de Máquina, Aprendizado por Reforço, Sistemas Fuzzy, eXplainable AI e Séries Temporais.
Currículo lattes: http://lattes.cnpq.br/0851148137941240