1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
       2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供课后答疑。
       3、培训合格学员可享受免费推荐就业机会。☆合格学员免费颁发相关工程师等资格证书，提升职业资质。专注高端技术培训15年，端海学员的能力得到大家的认同，受到用人单位的广泛赞誉，端海的证书受到广泛认可。

在过去的几年里，强化学习(RL，Reinforcement Learning)在很多方面取得了突破。DeepMind公司将深度学习与增强学习结合在一起，在众多的Atari游戏中来取得超越人类的表现，基于深度学习和强化学习训练得到的AlphaGo Zero更是完全从零开始，仅通过自我对弈就能天下无敌。虽然RL目前在许多游戏环境中都表现很出色，但它对解决需要最优决策和效率的问题而言是种全新方法，而且肯定会在机器智能中发挥作用。

       Gym是为测试和开发RL算法而设计的环境/任务的集合。它让用户不必再创建复杂的环境。Gym用Python编写，它有很多的环境，比如机器人模拟或Atari 游戏。它还提供了一个在线排行榜，供人们比较结果和代码。

第1部份 强化学习与常用的仿真环境平台介绍（MuJoCo, OpenAI Gym, rllab, DeepMind Lab, TORCS, PySC2等）
第2部份 OpenAI gym中的常用仿真环境介绍，包括Atari 2600 游戏系列、MuJoCo 物理模拟器、Toy text 文本环境、Robotics机械手与机械臂模拟器等
第3部份 马尔科夫决策过程MDP
第4部份 基于gym的MDP实例讲解，基于OpenAI Gym构建股票市场交易环境
第5部份 基于gym的强化学习实践：基于值函数的强化学习方法实现；基于策略梯度的强化学习方法实现
第6部份 虚拟环境Universe： 一个用于训练解决通用问题 AI 的基础架构
第7部份 基于Universe的强化学习实践：用OpenAI公司的Gym工具库和Universe平台为游戏创建人工智能机器人