一、課程緣起：

人類的行為總是在盤算，找到最佳的決策後就開始行動，但是每當遇到困難挫折時，就會修正自己的決策，並且之後再遇到類似的狀況時就會記取教訓，避免重蹈覆轍，就這樣從零開始學起直到擁有豐富的經驗後可順利的達到目標。

強化學習(Reinforcement Learning)的技術不但涵蓋以上人類的決策要素，並且也實現了人類學習的摸索過程；其中包括最佳策略(Policy)的衡量、利弊得失(Reward)的分析、記取教訓、累積經驗、沙盤推演等行為要素。因此強化學習的技術可以讓我們所設計的產品更具有人工智慧的特質。近年來，強化學習結合使用深度學習(Deep Learning)來加強最佳決策的推演，使得深度強化學習(Deep Reinforcement Learning)成為目前開發人工智慧產品不可或缺的關鍵技術。

本課程細說強化學習求解最佳策略(Policy)及酬勞(Reward)的方法，結合深度學習技術，以AlphaGo設計理念、問答學習系統、汽車避撞系統、自駕車強化學習、Game Player等實例說明其原理及應用方法，使學員能夠快速上手深度強化學習的應用。

二、課程目標：

本課程的目標在奠定學員學習當代深度強化學習技術的理論基礎與應用。透過學習許多目前具有代表性的深度強化學習案例，可累積學員對於各種深度強化學習設計方法的理解，進而應用到許多人工智慧核心系統的設計，達成具有線上學習及策略解析功能的智慧型產品設計。

    三、課程特色：

• 堅強師資陣容：授課老師具備完整知識及豐富的業界經驗。課程中將以著名的案例來說明深度強化學習原理及其應用於人工智慧的方法，讓學員以最快的速度奠定深度強化學習與人工智慧的設計基礎。
• 課程內容彙整論文及書籍精華：講義內容豐富，不但綜整許多著名書籍的精華內容，並且萃取多篇具有代表性的學術及專業論文，使學員能夠有效率的吸收到最新最流行的人工智慧技術。
• 快速的重點講解：課程中將結合講師講授、經驗分享、實務案例分析、工具軟體應用示範，以增進學習的成效。同時，提供豐富的補充教材，包括設計時參考使用的程式源碼及實驗資料取得方式，讓學員能夠盡快上手，開始設計屬於自己的專案計畫，加入人工智慧的設計行列。

四、課程大綱：

 五、適合對象：

• 高階軟體開發工程師
• 電子/電機/資訊相關工程師
• 大數據相關研發人員或資料科學家
• 統計/數值分析研究人員
• 財務分析工程師
• 醫學工程研究人員
• 生物科技研究人員

※須具備Python以及Tensorflow基礎能力，建議可先修習 ”Python機器學習” 和 ”人工智慧Tensorflow應用設計”

六、講師介紹：