強化學習遊戲AI

需求說明

1. 完成期限： 預計在一個月內完成專案交付。 2. 功能需求： 需求功能： 開發一個 API 服務，提供接口以根據當前遊戲情況回應最佳策略。要求 AI 能在非完美訊息條件下運作，產生經訓練後的最佳建議。最終交付版本需為已訓練完成並具備穩定表現的模型。 3. 技術要求： 強化學習（Reinforcement Learning）：熟悉策略網路（Policy Network）、價值網路（Value Network）、Q-learning、Actor-Critic 等演算法，並具備訓練調整經驗。 深度學習模型（Deep Learning Models）：熟悉多層神經網絡（Multi-layer Neural Networks）、捲積神經網路（CNN）、長短期記憶網路（LSTM）、遞迴神經網路（RNN）等深度學習架構。 梯度計算與優化：掌握梯度下降（Gradient Descent）、隨機梯度下降（SGD）、Adam 優化器、梯度裁剪（Gradient Clipping）等技術，具備應對梯度爆炸（Gradient Explosion）與梯度消失（Gradient Vanishing）問題的經驗。 探索與利用平衡：熟悉 ε-貪婪策略（ε-greedy strategy）、UCB（Upper Confidence Bound）等探索技術，能有效管理 AI 的探索與利用平衡。 損失函數與正則化：熟悉交叉熵損失（Cross-Entropy Loss）、均方誤差（MSE）、熵（Entropy）、KL 散度（KL Divergence）等損失函數，並能應用 L1、L2 正則化、dropout 等技術防止過擬合。 強化學習環境構建：具備 OpenAI Gym 、PyTouch等強化學習環境的設置與測試經驗，並能根據需求自定義遊戲環境及評估回饋。 獎勵機制設計：具備設計階段性回饋（Intermediate Rewards）和最終回饋（Terminal Rewards）經驗，並能根據訓練結果優化獎勵函數。 模型訓練與監控：具備超參數調整（Hyperparameter Tuning）、早停（Early Stopping）、學習率衰減（Learning Rate Decay）、指標追蹤（Metric Tracking）等訓練與監控經驗。 分散式計算與加速：有多 GPU 或 TPU 分散式訓練經驗，熟悉多工處理（Multi-threading）、並行計算技術，並能應用於加速模型訓練。 4. 交付需求： 專案完成後需向本公司開發團隊進行技術開發細節的講解，並提供完整的技術文件，以便日後維護和擴展。