使用 Python 和強化學習的實用 AI

Contents

了解如何使用強化學習技術來建立實用的人工智慧程式！

從這 26.5 小時的課程，你會學到

使用 Python 進行強化學習
使用 TensorFlow 建立人工神經網路
使用 TensorFlow 為圖像建立卷積神經網路
使用 OpenAI 處理內建遊戲環境
使用 OpenAI 為任何問題建立自己的環境
創建人工智慧代理
Tabular Q-Learning
狀態-動作-獎勵-狀態-動作 (SARSA)
深度 Q 學習 (DQN)
使用卷積神經網路的 DQN
強化學習的交叉熵方法( Cross Entropy Method )
雙 DQN
決鬥 DQN

要求

您應該非常熟悉基本的 Python 和安裝 Python 程式庫( libraries )。
這不是適合初學者的課程，我們強烈建議您先參加我們的“資料科學和機器學習大師班”！

課程說明

請注意！本課程處於“早鳥”版本，我們仍在更新和添加內容，請在註冊前記住課程尚未完成。

“未來已經來臨 – 只是分佈不均。”

你有沒有想過人工智慧實際上是如何工作的？您是否希望能夠利用神經網路和強化學習的力量來建立能夠解決具有人類水準複雜性任務的智慧代理？

這是學習如何使用 Python 來利用神經網路的力量來建立人工智慧代理的終極線上課程！

本課程重點介紹一種實用方法，讓您掌握實際建構和創建智慧代理的主動權，而不是像許多其他線上課程那樣只向您展示小玩具示例。在這裡，我們專注於賦予您將人工智慧應用於您自己的問題、環境和情況的能力，而不僅僅是那些包含在利基 library 中的問題、環境和情況！

本課程涵蓋以下主題：

人工神經網路
卷積神經網路
經典 Q-Learning
深度 Q-Learning
SARSA
交叉熵方法( Cross Entropy Methods )
雙DQN
以及更多！

我們設計本課程的目的是讓您能夠在自己的環境中創建自己的深度強化學習代理。它側重於一種實用的方法，在理論和直覺與可用程式碼之間取得適當的平衡。本課程使用簡報中清晰的示例將數學方程式與實際程式碼實現聯繫起來，然後展示如何手動實現進行強化學習的方程式。

我們將首先向您展示如何使用 Keras 和 TensorFlow 進行深度學習，然後再深入探討 Q-Learning 等強化學習概念。然後我們可以結合這些想法來帶您了解深度強化學習代理，例如 Deep Q-Networks！

還有很多事情要做，我希望你能加入我們的課程！

目標受眾

熟悉機器學習基礎知識的 Python 開發人員，例如 Scikit-Learn，但現在想學習如何通過強化學習建立人工智慧代理

講師簡介

Jose Portilla Data Science, Pierian Data Inc. 資料科學主管 ( 更多講師主講課程介紹 )

Jose Portilla 擁有來自聖克拉拉(Santa Clara )大學的機械工程學士學位和碩士學位，也有多年資料科學和程式設計專業教練和培訓師的經驗。他在各種領域如微流體、材料科學和資料科學技術中有出版物和專利。在他的職業生涯中，他已經發展了分析資料的技能，他希望利用他在教學和資料科學方面的經驗，幫助其他人學習程式開發的能力、分析資料，並以清晰美麗的視覺化方式呈現資料。

目前，他是 Pierian Data inc. 的資料科學主管，為通用電氣(General Electric)、 Cigna、《紐約時報》(The New York Times)、瑞士信貸(Credit Suisse)、麥肯錫(McKinsey)等頂級公司的員工提供面對面的資料科學和 python 程式設計培訓課程。如果想了解更多關於在內華達州拉斯維加斯舉行的面對面培訓或團體培訓會議的資訊，請隨時在 LinkedIn 上與他聯絡。