广东强化学习培训

这种以讲师为主导的 广东（在线或现场）现场培训面向希望获得 Large Language Models (LLMs) 和 Reinforcement Learning （RL） 全面理解和实践技能的中级数据科学家。

在培训结束时，参与者将能够：

• 了解变压器模型的组件和功能。
• 针对特定任务和应用程序优化和微调 LLM。
• 了解强化学习的核心原则和方法。
• 了解强化学习技术如何提高 LLM 的性能。

本课程为讲师主导的培训（线上或线下），面向高级机器学习工程师和AI研究人员，旨在帮助他们应用RLHF技术微调大型AI模型，以实现更高的性能、安全性和一致性。

培训结束后，参与者将能够：

• 理解RLHF的理论基础及其在现代AI开发中的重要性。
• 基于人类反馈实现奖励模型，以指导强化学习过程。
• 使用RLHF技术微调大型语言模型，使其输出与人类偏好一致。
• 应用最佳实践，扩展RLHF工作流程以用于生产级AI系统。

本次由讲师指导的广东（线上或线下）培训面向希望深入了解强化学习及其在AI开发中实际应用的高级专业人士，使用Google Colab。

培训结束后，学员将能够：

• 理解强化学习算法的核心概念。
• 使用TensorFlow和OpenAI Gym实现强化学习模型。
• 开发通过试错学习的智能代理。
• 使用Q学习和深度Q网络（DQNs）等高级技术优化代理性能。
• 使用OpenAI Gym在模拟环境中训练代理。
• 部署强化学习模型以应用于实际场景。

深度强化学习是指“人工智能体”通过反复试验和奖惩来学习的能力。人工智能体旨在模仿人类直接从原始输入（如视觉）获取和构建知识的能力。为了实现强化学习，深度学习和神经网络会被用到。强化学习与机器学习不同，不依赖于有监督和无监督的学习方法。

在这一由讲师引导的现场培训中，学员将在逐步创建深度学习智能体的过程中学习深度强化学习的基础知识。

在本次培训结束后，学员将能够：

• 理解深度强化学习的基本概念，及其与机器学习的区别
• 运用先进的强化学习算法来解决实际问题
• 构建深度学习智能体

受众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量实操

这种由 广东 的讲师指导式现场培训（在线或现场）面向希望超越传统机器学习方法的数据科学家，教授计算机程式在不使用标记数据和大数据集的情况下解决问题（解决问题）。

在本次培训结束时，参与者将能够：

• 安装并应用实现 Reinforcement Learning 所需的库和程式设计语言。
• 创建一个能够通过反馈而不是通过监督学习来学习的软体代理。
• 对代理程式进行程式设计，以解决决策顺序和有限的问题。
• 将知识应用于设计软体，该软体可以以类似于人类学习的方式进行学习。