Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Reinforcement Learning und Agenty AI
- Entscheidungsfindung unter Unsicherheit und sequenzielle Planung
- Schlüsselkomponenten des RL: Agenten, Umgebungen, Zustände und Belohnungen
- Rolle des RL in adaptiven und agentigen AI-Systemen
Markov-Entscheidungsprozesse (MDPs)
- Formale Definition und Eigenschaften von MDPs
- Wertfunktionen, Bellman-Gleichungen und dynamische Programmierung
- Policy-Evaluation, -Verbesserung und -Iteration
Modellfreies Reinforcement Learning
- Monte Carlo- und Temporal-Difference (TD)-Lernen
- Q-Lernen und SARSA
- Praktische Übung: Implementierung von tabellarischen RL-Methoden in Python
Tiefes Reinforcement Learning
- Kombination von neuronalen Netzen mit RL zur Funktionsapproximation
- Deep Q-Networks (DQN) und Erfahrungswiedergabe
- Actor-Critic-Architekturen und Policy-Gradients
- Praktische Übung: Training eines Agenten mit DQN und PPO unter Verwendung von Stable-Baselines3
Explorationsstrategien und Reward-Shaping
- Balancing Exploration vs. Exploitation (ε-greedy, UCB, Entropie-Methoden)
- Design von Belohnungsfunktionen und Vermeidung ungewollten Verhaltens
- Reward-Shaping und Curriculum-Lernen
Fortgeschrittene Themen im RL und Entscheidungsfinden
- Multi-Agent-Reinforcement Learning und kooperative Strategien
- Hierarchisches Reinforcement Learning und Optionsframework
- Offline RL und Imitationslernen für sicherere Implementierung
Simulationsumgebungen und Evaluation
- Verwendung von OpenAI Gym und benutzerdefinierten Umgebungen
- Kontinuierliche vs. diskrete Aktionenräume
- Metriken für Agentenleistung, Stabilität und Sample-Effizienz
Integration von RL in Agenty AI-Systeme
- Kombination von Reasoning und RL in hybriden Agentenarchitekturen
- Integration des reinforcement learnings mit toolverwendenden Agenten
- Betriebsbedingungen für Skalierung und Implementierung
Abschlussprojekt
- Design und Implementierung eines reinforcement learning-Agents für eine simulierte Aufgabe
- Analyse der Trainingsleistung und Optimierung von Hyperparametern
- Demonstration adaptiven Verhaltens und Entscheidungsfindung in einem agentigen Kontext
Zusammenfassung und nächste Schritte
Voraussetzungen
- Solide Kenntnisse in Python-Programmierung
- Fundierte Kenntnisse der Konzepte des maschinellen Lernens und Deep Learnings
- Vertrautheit mit linearer Algebra, Wahrscheinlichkeitsrechnung und grundlegenden Optimierungsverfahren
Zielgruppe
- Reinforcement-Learning-Ingenieure und angewandte AI-Forscher
- Entwickler für Robotik und Automatisierung
- Ingenieurteams, die an adaptiven und agentigen AI-Systemen arbeiten
28 Stunden
Erfahrungsberichte (3)
Guter Mix aus Wissen und Praxis
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie hoch- und niedrigstufigen Perspektiven
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
praktische Übungen
Daniel - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI in Multi-Agent Systems
Maschinelle Übersetzung
