聯繫我們
 課程時長 28 時間:

課程簡介

強化學習與代理型 AI 簡介

  • 不確定性下的決策與序列規劃
  • RL 的關鍵組成:代理、環境、狀態與獎勵
  • RL 在適應性及代理型 AI 系統中的角色

馬可夫決策過程(MDP)

  • MDP 的正式定義與特性
  • 價值函數、貝爾曼方程與動態規劃
  • 策略評估、改進與迭代

無模型強化學習

  • 蒙特卡洛方法與時間差分(TD)學習
  • Q 學習與 SARSA
  • 實作:使用 Python 實現表格型 RL 方法

深度強化學習

  • 結合神經網路與 RL 進行函數逼近
  • 深度 Q 網路(DQN)與經驗回放
  • 演員-評鑑(Actor-Critic)架構與策略梯度
  • 實作:使用 Stable-Baselines3 以 DQN 和 PPO 訓練代理

探索策略與獎勵塑形

  • 平衡探索與利用(ε-greedy、UCB、熵方法)
  • 設計獎勵函數並避免非預期行為
  • 獎勵塑形與課程學習

RL 與決策的高階主題

  • 多代理強化學習與合作策略
  • 階層式強化學習與選項框架
  • 離線 RL 與模仿學習,用於更安全的部署

模擬環境與評估

  • 使用 OpenAI Gym 及自訂環境
  • 連續動作空間與離散動作空間
  • 代理效能、穩定性與樣本效率的指標

將 RL 整合至代理型 AI 系統

  • 在混合代理架構中結合推理與 RL
  • 將強化學習整合至工具使用型代理
  • 擴展與部署的營運考量

綜合專案

  • 設計並實作針對模擬任務的強化學習代理
  • 分析訓練效能並最佳化超參數
  • 展示代理情境下的適應性行為與決策能力

總結與後續步驟

最低要求

  • 熟練的 Python 程式設計能力
  • 對機器學習與深度學習概念有紮實的理解
  • 熟悉線性代数、機率論及基礎優化方法

受眾

  • 強化學習工程師與應用 AI 研究者
  • 機器人技術與自動化開發者
  • 致力於研發適應性及代理型 AI 系統的工程團隊

客戶評論 (3)

即將到來的課程

課程分類