大小：4.85G 11.5小时
含有配套素材文件
通过使用 Python 开发 AI 游戏轻松学习人工智能算法——强化学习人工智能 (AI) 正在改变行业和日常生活。从自动驾驶汽车到流媒体服务的个性化推荐，人工智能是塑造未来的创新的核心。强化学习 (RL) 是人工智能的一个关键领域，它专注于代理如何通过与环境交互来学习做出决策。这种范式对于最佳解决方案不是立即显而易见且必须通过反复试验才能发现的任务特别有效。学习人工智能和强化学习 (RL) 的最重要方面之一是能够弥合理论概念与实际应用之间的差距。本课程强调实践方法，确保您不仅了解底层理论，还知道如何在现实场景中实现它们。通过从事实际项目，您将更深入地了解人工智能算法如何解决复杂问题并创建智能系统。课程结构和主题动态规划（DP）：DP入门：了解动态规划的基本原理和应用。Q学习：Q 学习基础知识：了解 Q 学习（一种无模型 RL 算法）背后的理论。价值函数和策略：了解代理如何学习将状态映射到动作以最大化累积奖励。实施：使用 TensorFlow 和 Keras 构建和训练 Q 学习代理的实践项目。深度 Q 学习：将深度学习与 RL 相结合：了解深度神经网络如何增强 Q 学习。处理高维空间：管理复杂环境和大型状态空间的技术。实际项目：实现深度 Q 学习模型来解决更复杂的问题。卷积 Q 学习：将 CNN 与 Q 学习相结合：利用卷积神经网络处理空间和视觉数据。高级应用：在视觉感知至关重要的环境中实现 RL，例如视频游戏和机器人。令人兴奋的项目为了将这些概念变为现实，我们将实施一系列激动人心的项目：迷宫求解器：应用 DP 和 RL 原理，对代理进行编程，以找到穿过迷宫的最短路径。山地汽车问题：解决这个经典的 RL 挑战，其中代理必须利用动力驾驶汽车爬上陡峭的山坡。蛇游戏：开发一款蛇游戏，其中代理学习最大化其长度，同时避开障碍物并有效地导航游戏板。工具和库在整个课程中，我们将使用 TensorFlow 和 Keras 来构建和训练我们的模型。这些库为开发机器学习应用程序提供了一个强大的框架，使我们更容易实现和试验我们将要研究的算法。
请先 ！