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.
Dauer 14 Stunden
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
