深度强化学习核心技术开发与应用

深度强化学习核心技术开发与应用围绕深度强化学习这一结合深度学习与强化学习的机器学习方法展开，涵盖算法、规则、框架及多领域应用，通过专业培训可系统掌握相关技术并获取认证。深度强化学习概述定义与特点：深度强化学习是深度学习与强化学习的结合，同时具备感知和决策能力。深度学习单独应用存在缺乏决策能力、不可推理等缺点，而深度强化学习弥补了这些不足，在众多领域展现出极高的研究与应用价值。应用领域：广泛应用于机器人、无人机、无人车、无人艇、兵棋推演、自动驾驶、能源分配、编队控制、航迹规划、路由规划等领域。例如在自动驾驶中，通过深度强化学习算法可以让车辆根据环境信息做出合理的决策，实现安全、高效的行驶；在能源分配领域，可根据实时需求和供应情况，优化能源分配方案，提高能源利用效率。培训相关信息培训举办背景：为积极响应科研及工作人员需求，根据国务院《国家中长期人才发展规划纲要（2010 - 2020年）》和人社部《专业技术人才知识更新工程实施方案（2010 - 2020年）》文件精神，中国管理科学研究院现代教育研究所联合北京龙腾亚太教育咨询有限公司举办“深度强化学习核心技术开发与应用研修班”，采用全实战培训模式。主办与承办单位：主办单位为中国管理科学研究院现代教育研究所；承办单位为北京龙腾亚太教育咨询有限公司、北京新鼎聚成文化传媒有限公司，发票由具体承办单位开具。培训专家：来自中国科学院计算技术研究所、清华大学、北京理工大学等科研机构和大学的高级专家，拥有丰富的科研及工程技术经验，长期从事人工智能、机器学习、深度学习、大数据分析等领域的教学与研究工作。参会对象：各省市、自治区从事人工智能、机器学习、计算机视觉、自然语言处理、无人机、无人艇、无人车、机器人、智能体、多智能体、兵棋推演、自动驾驶、能源分配、编队控制、航迹规划、路由规划等领域相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员，以及强化学习、人工智能广大爱好者。培训目标理论知识掌握了解强化学习发展历程，包括其起源、重要阶段和关键突破。掌握马尔可夫决策过程相关概念，如马尔可夫性、策略与价值、最优化原理等，为理解强化学习算法奠定基础。理解动态规划的基本原理和方法，如价值迭代、策略迭代等，用于解决一些简单的决策问题。掌握无模型预测学习和无模型控制学习的各种方法，如蒙特卡洛方法、时间差分学习、Sarsa、Q - 学习等，能够在没有环境模型的情况下进行预测和控制。熟悉价值函数逼近和策略梯度方法，了解如何通过函数逼近和策略优化来解决复杂的强化学习问题。技术能力提升掌握单智能体深度强化学习、多智能体深度强化学习和多任务深度强化学习，能够根据不同的任务场景选择合适的算法。掌握强化学习应用领域的相关技术，如Gym Retro游戏平台、机器人控制、计算机视觉、自然语言处理等，能够将强化学习应用到实际项目中。实现Gym、Ray仿真环境，为算法的测试和验证提供平台。实际体验Q Learning实验、DQN实验、DDPG实验，加深对算法的理解和掌握。课程安排第一天强化学习概述：介绍强化学习的基本概念、与其它机器学习的不同、发展历史、典型应用、基本元素和算法分类。马尔科夫决策过程：讲解马尔可夫性、马尔可夫决策过程、策略与价值、最优化原理和MDPs扩展。动态规划：包括动态规划的基本概念、价值迭代、策略迭代、迭代策略评估、广义策略迭代和维数灾问题。实操案例：在python环境下实现简单扫地机器人环境，以及价值迭代、策略迭代、迭代策略评估的python实现。第二天无模型预测学习：介绍蒙特卡洛方法、时间差分学习、n - 步回报、TD(lambda)和资格迹。无模型控制学习：包括蒙特卡洛控制、Sarsa、重要性采样、Q - 学习、Double Q学习和探索与利用。价值函数逼近：讲解函数逼近器、线性函数逼近、常见的特征表示方法、价值迭代 + 离散化方法、Fitted Q Iteration、策略迭代 + 最小二乘、预测学习 + 随机梯度下降法、控制学习 + 随机梯度下降法。策略梯度方法：介绍基于策略的强化学习、有限差分策略梯度、解析法策略梯度、REINFORCE算法、Actor - Critic、策略梯度引入基准、自然梯度和确定型Actor - Critic。实操案例：实现蒙特卡洛方法、时间差分方法、Sarsa方法、Q学习方法、Sarsa(lambda)方法、离散化Q迭代方法、LSPI方法、策略迭代方法、actor - critic方法的python实现。第三天深度强化学习：讲解Deep Q learning(DQN)、Double DQN、Dueling DQN、Prioritized Experience Replay、A3C/A2C、DDPG、PPO、SAC等算法。实操案例：进行深