Reinforcement Learning for AI Agents

• 對機器學習原理和演算法有深入的理解
• 精通 Python 個程式設計
• 熟悉神經網路和深度學習框架

觀眾

• 機器學習工程師
• AI 專家

Reinforcement Learning （RL） 是現代 AI 研究和應用的基石。它側重於培訓座席在動態的多步驟環境中做出最佳決策。

這種由講師指導的現場培訓（在線或現場）面向希望掌握強化學習技術並實施這些技術以訓練 AI 代理解決複雜問題的高級 AI 專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解強化學習和瑪律可夫決策過程 （MDP） 的核心原則。
• 設計和實現 RL 演算法，例如 Q-Learning、SARSA 和深度 Q-Networks （DQN）。
• 將 OpenAI Gym 和 RL 庫等框架用於實際應用程式。
• 訓練 AI 代理解決現實世界的多步驟決策問題。
• 解決 RL 訓練中的探索-利用權衡和收斂等挑戰。

課程形式

• 互動講座和討論。
• 大量的練習和練習。
• 在即時實驗室環境中動手實施。

課程自定義選項

• 要申請本課程的定製培訓，請聯繫我們進行安排。

介紹 Reinforcement Learning

• 強化學習及其應用概述
• 監督學習、無監督學習和強化學習之間的區別
• 關鍵概念：代理、環境、獎勵和策略

瑪律可夫決策過程 （MDP）

• 了解狀態、操作、獎勵和狀態轉換
• 值函數和 Bellman 方程
• 用於求解 MDP 的動態規劃

核心 RL 演算法

• 表格方法：Q-Learning 和 SARSA
• 基於策略的方法：REINFORCE 演算法
• Actor-Critic 框架及其應用

深 Reinforcement Learning

• 深度 Q 網路 （DQN） 簡介
• 體驗重播和目標網路
• 策略梯度和高級深度 RL 方法

RL 框架和工具

• OpenAI Gym 和其他 RL 環境簡介
• 使用 PyTorch 或 TensorFlow 進行 RL 模型開發
• RL 代理的訓練、測試和基準測試

RL 中的挑戰

• 在訓練中平衡探索和開發
• 處理稀疏獎勵和信用分配問題
• ScalaRL 中的能力和計算挑戰

動手實踐 Activities

• 從頭開始實施 Q-Learning 和 SARSA 演算法
• 訓練基於 DQN 的代理在 OpenAI Gym 中玩簡單的遊戲
• 微調 RL 模型以提高自定義環境中的性能

總結和後續步驟