感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
強化學習與 Agent AI 簡介
- 不確定性下的決策制定和序列規劃
- RL 的關鍵組件:Agents、環境、狀態和獎勵
- RL 在適應性和 Agent AI 系統中的作用
馬爾可夫決策過程 (MDPs)
- MDPs 的正式定義和屬性
- 值函數、Bellman 方程和動態規劃
- 策略評估、改進和迭代
模型無關強化學習 (Model-Free Reinforcement Learning)
- 蒙特卡洛和時差分 (TD) 學習
- Q-learning 和 SARSA
- 實戰:在 Python 中實現表格 RL 方法
深度強化學習 (Deep Reinforcement Learning)
- 結合神經網絡與 RL 進行函數逼近
- Deep Q-Networks (DQN) 和經驗回放
- Actor-Critic 架構和策略梯度
- 實戰:使用 DQN 和 PPO 以及 Stable-Baselines3 訓練 Agent
探索策略和獎勵塑形 (Reward Shaping)
- 平衡探索與開發 (ε-greedy、UCB、熵方法)
- 設計獎勵函數並避免非預期行為
- 獎勵塑形和課程學習
RL 與決策制定的高級主題
- 多 Agent 強化學習和合作策略
- 分層強化學習和選項框架
- 離線 RL 和模仿學習以實現更安全的部署
模擬環境與評估
- 使用 OpenAI Gym 和自定義環境
- 連續 vs. 離散動作空間
- Agent 性能、穩定性和樣本效率的指標
將 RL 整合到 Agent AI 系統中
- 在混合 Agent 架構中結合推理與 RL
- 將強化學習與使用工具的 Agents 整合
- 擴展和部署的運營考量
最終項目
- 為模擬任務設計並實現強化學習 Agent
- 分析訓練性能並優化超參數
- 在 Agent 環境中展示適應性行為和決策制定能力
總結與下一步
最低要求
- 強大的 Python 編程能力
- 對機器學習和深度學習概念的紮實理解
- 熟悉線性代數、概率論和基本優化方法
對象
- 強化學習工程師和應用 AI 研究員
- 機器人和自動化開發者
- 致力於適應性和 Agent AI 系統的工程團隊
28 小時
客戶評論 (3)
培訓師很有耐心,也非常樂於助人。他對主題非常瞭解。
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
課程 - Agentic AI for Business Automation: Use Cases & Integration
機器翻譯
知識與實踐的良好結合
Ion Mironescu - Facultatea S.A.I.A.P.M.
課程 - Agentic AI for Enterprise Applications
機器翻譯
理論與實踐的結合,以及高層與底層視角的融合
Ion Mironescu - Facultatea S.A.I.A.P.M.
課程 - Autonomous Decision-Making with Agentic AI
機器翻譯