Kontakt aufnehmen

Schulungsübersicht

Einführung in Reinforcement Learning

  • Überblick über Reinforcement Learning und seine Anwendungen
  • Unterschiede zwischen überwachtem, unüberwachtem und Reinforcement Learning
  • Schlüsselkonzepte: Agent, Umgebung, Belohnungen und Politik

Markov-Entscheidungsprozesse (MDPs)

  • Verständnis von Zuständen, Aktionen, Belohnungen und Übergängen zwischen Zuständen
  • Wertfunktionen und die Bellman-Gleichung
  • Dynamische Programmierung zur Lösung von MDPs

Kern-RL-Algorithmen

  • Tabellarische Methoden: Q-Learning und SARSA
  • Politikbasierte Methoden: REINFORCE-Algorithmus
  • Actor-Critic-Frameworks und ihre Anwendungen

Deep Reinforcement Learning

  • Einführung in Deep Q-Networks (DQN)
  • Experience Replay und Zielnetzwerke
  • Politikgradienten und fortschrittliche Deep-RL-Methoden

RL-Frameworks und -Werkzeuge

  • Einführung in OpenAI Gym und andere RL-Umgebungen
  • Verwendung von PyTorch oder TensorFlow für die RL-Modellentwicklung
  • Training, Testen und Benchmarking von RL-Agenten

Herausforderungen im RL

  • Ausgleich zwischen Exploration und Exploitation während des Trainings
  • Umgang mit spärlichen Belohnungen und Kreditzuweisungsproblemen
  • Skalierbarkeit und Rechenherausforderungen im RL

Praktische Übungen

  • Implementierung von Q-Learning- und SARSA-Algorithmen von Grund auf
  • Training eines DQN-basierten Agenten, um ein einfaches Spiel in OpenAI Gym zu spielen
  • Feinabstimmung von RL-Modellen zur Verbesserung der Leistung in benutzerdefinierten Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Starke Understanding der Prinzipien und Algorithmen des maschinellen Lernens
  • Kenntnisse in Python-Programmierung
  • Vertrautheit mit neuronalen Netzen und Deep-Learning-Frameworks

Zielgruppe

  • Machine-Learning-Ingenieure
  • KI-Spezialisten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien