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
強化學習與代理式 AI 簡介
- 不確定性下的決策制定與序列規劃
- RL 的關鍵組件:智能體、環境、狀態和獎勵
- RL 在自適應和代理式 AI 系統中的角色
馬可夫決策過程 (MDPs)
- MDPs 的形式化定義和屬性
- 價值函數、貝爾曼方程和動態規劃
- 策略評估、改進和迭代
無模型強化學習
- 蒙特卡羅 (Monte Carlo) 和時間差分 (TD) 學習
- Q 學習 (Q-learning) 和 SARSA
- 動手實踐:在 Python 中實現表格型 RL 方法
深度強化學習
- 結合神經網絡與 RL 進行函數逼近
- 深度 Q 網絡 (DQN) 和經驗重放
- Actor-Critic 架構和策略梯度
- 動手實踐:使用 Stable-Baselines3 和 DQN 及 PPO 訓練智能體
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
- 獎勵塑形和課程學習
RL 與決策制定的高級主題
- 多智能體強化學習和協作策略
- 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部署
模擬環境與評估
- 使用 OpenAI Gym 和自定義環境
- 連續與離散動作空間
- 智能體性能、穩定性和樣本效率的指標
將 RL 整合到代理式 AI 系統中
- 在混合智能體架構中結合推理與 RL
- 將強化學習與工具使用智能體整合
- 擴展和部署的操作考量的
綜合項目
- 設計並實現一個用於模擬任務的強化學習智能體
- 分析訓練性能並優化超參數
- 在代理式情境中演示自適應行為和決策制定
總結與後續步驟
最低要求
- 精通 Python 編程
- 對機器學習和深度學習概念有紮實理解
- 熟悉線性代數、概率論和基本優化方法
目標聽眾
- 強化學習工程師和應用 AI 研究人员
- 機器人技術和自動化開發人員
- 從事自適應和代理式 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