Kontakt aufnehmen

Schulungsübersicht

Einführung in Reinforcement Learning

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

Markov-Entscheidungsprozesse (MDPs)

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

Kernalgorithmen des RL

  • Tabellarische Methoden: Q-Learning und SARSA
  • Politikbasierte Methoden: REINFORCE-Algorithmus
  • Actor-Critic-Frameworks und deren 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
  • Nutzung von PyTorch oder TensorFlow für die Entwicklung von RL-Modellen
  • Training, Testen und Benchmarking von RL-Agenten

Herausforderungen im RL

  • Gewichtung von Exploration und Exploitation im Training
  • Bewältigung von spärlichen Belohnungen und Kreditzuordnungsproblemen
  • Skalierbarkeit und rechnerische Herausforderungen im RL

Praktische Übungen

  • Implementierung von Q-Learning- und SARSA-Algorithmen von Grund auf
  • Training eines DQN-basierten Agenten zum Spielen eines einfachen Spiels in OpenAI Gym
  • Anpassung von RL-Modellen für eine verbesserte Leistung in benutzerdefinierten Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Tiefgreifendes Verständnis der Prinzipien und Algorithmen des Machine Learning
  • Vertrautheit mit der Python-Programmierung
  • Kenntnisse in neuronalen Netzen und Deep-Learning-Frameworks

Zielgruppe

  • Machine-Learning-Engineers
  • KI-Fachleute
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien