111年第1學期-1058 強化學習 課程資訊

評分方式

評分項目	配分比例	說明
期中專題	20
期末專題	30
作業	30
課堂出席	20

教育目標

本課程學習各種強化學習技術和方法，並學習如何將AI人工智慧集成到各種遊戲與實際應用專案。本課程從基礎開始，學習馬爾可夫決策過程、Actor Critic方法、策略梯度算法、DQN等基礎方法。接著學習進階增強學習方法，像是A3C、PPO、分散式RL、以及exploration等。本課程案例使用Unity ML-Agent、openai gym 等平台做為學習環境，案例研究包括Atari遊戲、2048遊戲、自駕賽車、AlphaGo、投資分析、電網排程等主題。

基本資料

選修課，學分數：3-0
上課時間：三/8,9,10[ST436]
修課班級：資工系3,4
修課年級：年級以上
選課備註：AI組分組選修

參考書目

1. 書名 Deep Reinforcement Learning Hands-On
出版社 Packt Publishing
作者 Maxim Lapan
出版年 2018

2. 書名 Hands-On Reinforcement Learning with Python: Master reinforcement and deep reinforcement learning using OpenAI Gym and TensorFlow
出版社 Packt Publishing
作者 Sudharsan Ravichandiran
出版年 2018