Reinforcement Learning for AI Agents

• 对机器学习原理和演算法有深入的理解
• 精通 Python 个程式设计
• 熟悉神经网路和深度学习框架

观众

• 机器学习工程师
• AI 专家

Reinforcement Learning （RL） 是现代 AI 研究和应用的基石。它侧重于培训座席在动态的多步骤环境中做出最佳决策。

这种由讲师指导的现场培训（在线或现场）面向希望掌握强化学习技术并实施这些技术以训练 AI 代理解决复杂问题的高级 AI 专业人员。

在本次培训结束时，参与者将能够：

• 了解强化学习和玛律可夫决策过程 （MDP） 的核心原则。
• 设计和实现 RL 演算法，例如 Q-Learning、SARSA 和深度 Q-Networks （DQN）。
• 将 OpenAI Gym 和 RL 库等框架用于实际应用程式。
• 训练 AI 代理解决现实世界的多步骤决策问题。
• 解决 RL 训练中的探索-利用权衡和收敛等挑战。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

介绍 Reinforcement Learning

• 强化学习及其应用概述
• 监督学习、无监督学习和强化学习之间的区别
• 关键概念：代理、环境、奖励和策略

玛律可夫决策过程 （MDP）

• 了解状态、操作、奖励和状态转换
• 值函数和 Bellman 方程
• 用于求解 MDP 的动态规划

核心 RL 演算法

• 表格方法：Q-Learning 和 SARSA
• 基于策略的方法：REINFORCE 演算法
• Actor-Critic 框架及其应用

深 Reinforcement Learning

• 深度 Q 网路 （DQN） 简介
• 体验重播和目标网路
• 策略梯度和高级深度 RL 方法

RL 框架和工具

• OpenAI Gym 和其他 RL 环境简介
• 使用 PyTorch 或 TensorFlow 进行 RL 模型开发
• RL 代理的训练、测试和基准测试

RL 中的挑战

• 在训练中平衡探索和开发
• 处理稀疏奖励和信用分配问题
• ScalaRL 中的能力和计算挑战

动手实践 Activities

• 从头开始实施 Q-Learning 和 SARSA 演算法
• 训练基于 DQN 的代理在 OpenAI Gym 中玩简单的游戏
• 微调 RL 模型以提高自定义环境中的性能

总结和后续步骤