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)
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