Schulungsübersicht
Einführung in Reinforcement Learning und Agentic AI
- Entscheidungsfindung unter Unsicherheit und sequenzielle Planung
- Kernkomponenten von RL: Agenten, Umgebungen, Zustände und Belohnungen
- Rolle von RL in adaptiven und agentic KI-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-Learning und SARSA
- Praxis: Implementierung tabellarischer RL-Methoden in Python
Deep Reinforcement Learning
- Kombination von neuronalen Netzen mit RL zur Funktionsapproximation
- Deep Q-Networks (DQN) und Experience Replay
- Actor-Critic-Architekturen und Policy Gradients
- Praxis: Training eines Agenten mit DQN und PPO mittels Stable-Baselines3
Explorationsstrategien und Reward Shaping
- Ausbalancieren von Exploration vs. Exploitation (ε-greedy, UCB, Entropie-Methoden)
- Entwurf von Belohnungsfunktionen und Vermeidung unbeabsichtigter Verhaltensweisen
- Reward Shaping und Curriculum Learning
Fortgeschrittene Themen in RL und Entscheidungsfindung
- Multi-Agent Reinforcement Learning und kooperative Strategien
- Hierarchisches Reinforcement Learning und das Optionen-Framework
- Offline RL und Imitationslernen für sicherere Bereitstellungen
Simulationsumgebungen und Evaluation
- Verwendung von OpenAI Gym und benutzerdefinierten Umgebungen
- Kontinuierliche vs. diskrete Aktionsräume
- Metriken für Agentenleistung, Stabilität und Stichprobeneffizienz
Integration von RL in agentic AI-Systeme
- Kombination von reasoning und RL in hybriden Agentenarchitekturen
- Integration von Reinforcement Learning mit tool-using Agenten
- Betriebliche Aspekte für Skalierung und Bereitstellung
Abschlussprojekt
- Entwurf und Implementierung eines Reinforcement-Learning-Agenten für eine simulierte Aufgabe
- Analyse der Trainingsleistung und Optimierung der Hyperparameter
- Demonstration adaptiven Verhaltens und der Entscheidungsfindung in einem agentic Kontext
Zusammenfassung und nächste Schritte
Voraussetzungen
- Sehr gute Kenntnisse in der Python-Programmierung
- Fundiertes Verständnis von Machine-Learning- und Deep-Learning-Konzepten
- Vertrautheit mit Linearer Algebra, Wahrscheinlichkeitsrechnung und grundlegenden Optimierungsmethoden
Zielgruppe
- Reinforcement-Learning-Ingenieurinnen und -Ingenieure sowie angewandte KI-Forscherinnen und -Forscher
- Entwicklerinnen und Entwickler im Bereich Robotik und Automatisierung
- Ingenieurteams, die an adaptiven und agentic KI-Systemen arbeiten
Erfahrungsberichte (3)
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
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 den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
