人工智慧深度強化學習

訓練目標

奠定學員學習當代深度強化學習技術的理論基礎與應用。透過學習許多目前具有代表性的深度強化學習案例，可累積學員對於各種深度強化學習設計方法的理解，進而應用到許多人工智慧核心系統的設計，達成具有線上學習及策略解析功能的智慧型產品設計。

課程特色

◆深度強化學習(Deep Reinforcement Learning)簡介
?˙人工智慧環境(Environment)與智慧代理人(Agent)
?˙策略與規劃(Policy and Planning)
?˙價值函數(Value Function)
?˙運作模型(Model)
˙酬勞與懲罰(Reward)
˙運作模型(Model)
˙最優價值函數(Optimal Value Function)
˙馬可夫決策問題(MDP)

◆圖表化及逼近式 (Tabular and Approximation)解決方案
˙有限馬可夫決策處理(FMDP)
?˙蒙地卡羅方法
?˙時間差分學習
?˙學習(Q-Learning)
˙策略梯度法(Policy Gradient Method)

◆類神經深度強化學習
?˙深度Q學習網路
?˙TensorFlow DQN
?˙OpenAI Gym
?˙Actor Critic
?˙Deep Deterministic Policy Gradients(DDPG)
?˙Asynchronous Advantage Actor-Critic (A3C)
?˙Distributed Proximal Policy Optimization (DPPO)

◆人工智慧深度強化學習個案研究
?˙AlphaGo設計理念與方法
?˙問答系統強化學習
?˙汽車避撞系統模擬
?˙自駕車強化學習
?˙Q-learning Gridworld Player
?˙Atari Ping Pong Player

詳細課程內容請參考以下網址：http://www.iiiedu.org.tw/REF

開課資訊