使用 Python 進行深度強化學習培訓

本課程涵蓋汽車行業中的人類智能（強調機器學習和深度學習）。它有助於確定哪些技術可以在汽車的多種情況下（潛在地）使用：從簡單自動化、圖像識別到自主決策。

探索人工智慧的基礎原理，揭示智能技術如何重塑企業營運中的數位策略、自動化與決策過程。內容涵蓋人工智慧歷史、問題解決框架、知識表示、不確定推理及機器學習範式，並結合溝通、感知與自主行動等核心概念。引導高階主管與架構師評估AI驅動轉型機會、審視新興科技趨勢，並整合實用智能解決方案，以加速業務敏捷性。

人工神經網絡是一種用於開發能夠執行「智能」任務的人工智慧（AI）系統的計算數據模型。神經網絡通常應用於機器學習（ML），而機器學習本身是 AI 的一種實現方式。深度學習則是機器學習的一個子集。

「從零開始應用 AI（Python）」為程式設計師和數據分析師提供紮實的基礎技術，協助他們利用 Python 從頭建構機器學習解決方案。內容涵蓋監督式學習（分類與回歸）、非監督式學習（分群與異常檢測）的核心原理，以及進階神經網路架構。課程檢討運用 scikit-learn、Apache Spark MLlib 和 Jupyter notebooks 進行實際 AI 開發的有效方法。協助專業人士實作實務機器學習模型、評估演算法的局限性，並完成應用專案以解決真實世界問題。

此於澳門（線上或線下）舉行的由講師指導的即時培訓，提供模式識別和機器學習領域的入門介紹。內容涵蓋統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學的實際應用。

完成本培訓後，參與者將能夠：

• 應用核心統計方法進行模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施用於解決複雜問題的高級技術。
• 通過組合不同模型來提高預測準確性。

此課程由講師現場指導，支持線上或線下進修。主要針對希望將RLHF應用於大型AI模型微調以實現卓越性能、安全性及一致性的中高級機器學習工程師與AI研究人員。

完成本培訓後，學員能夠：

• 掌握RLHF的理論基礎，並理解其在現代AI開發中的重要性。
• 基於人類反饋構建獎勵模型，以引導強化學習流程。
• 利用RLHF技術微調大型語言模型，使輸出結果更貼合人類偏好。
• 應用最佳實踐，將RLHF工作流擴展至用於生產級AI系統。

這門在 澳門（線上或線下）舉行的由講師主導的實時培訓，針對希望全面理解大型語言模型 (LLMs) 和強化學習 (RL) 並獲得相關實踐技能的初級數據科學家。

完成本培訓後，學員將能夠：

• 理解變換器模型的組件和功能。
• 為特定任務和應用場景優化及微調 LLMs。
• 掌握強化學習的核心原則和方法論。
• 了解如何通過強化學習技術提升 LLMs 的性能。

這是一門在 澳門（線上或線下）進行的講師主導培訓，旨在幫助高級專業人士加深對強化學習的理解，並掌握其在 AI 開發中的實際應用。課程將使用 Google Colab 作為工具。

完成本培訓後，學員將能夠：

• 理解強化學習演算法的核心概念。
• 使用 TensorFlow 和 OpenAI Gym 實現強化學習模型。
• 開發能透過試錯學習的智能體。
• 使用 Q-learning 和深度 Q 網路（DQNs）等高級技術優化智能體的效能。
• 在 OpenAI Gym 的模擬環境中訓練智能體。
• 部署強化學習模型以應用於真實世界場景。

本課程將為您提供關於神經網絡和機器學習算法、深度學習（算法與應用）的概念性知識。

培訓的第一部分（占40%）側重於基礎知識，但會幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

培訓的第二部分（占20%）介紹Theano - 一個使編寫深度學習模型變得簡單的Python庫。

培訓的第三部分（占40%）將廣泛基於Tensorflow - Google開源軟件庫用於深度學習的API。示例和實踐操作都將在TensorFlow中進行。

受眾

本課程旨在幫助尋求使用TensorFlow進行深度學習項目的工程師

完成此課程後，學員將：

• 對深度神經網絡(DNN)、CNN和RNN有深入理解
• 理解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試、監控
• 能夠實施先進的生產級訓練模型，構建圖形並記錄日誌

這種由講師指導的現場培訓在 澳門 （線上或線下）旨在服務希望探索深度學習模型最前沿 XAI 技術的高級專業人士，重點在於構建可解釋的 AI 系統。

在本課程結束時，參與者將能夠：

• 理解深度學習中可解釋性的挑戰。
• 為神經網絡實施先進的 XAI 技術。
• 解釋深度學習模型做出的決策。
• 評估性能與透明度之間的權衡。