Schulungsübersicht
1. Einführung in Deep Reinforcement Learning
- Was ist Reinforcement Learning?
- Unterschiede zwischen Supervised, Unsupervised und Reinforcement Learning
- Anwendungen von DRL im Jahr 2025 (Robotik, Gesundheitswesen, Finanzen, Logistik)
- Verständnis des Agenten-Umgebungs-Interaktionszyklus
2. Grundlagen des Reinforcement Learning
- Markov Decision Processes (MDP)
- Zustand, Aktion, Belohnung, Policy und Wertfunktionen
- Trade-off zwischen Exploration und Exploitation
- Monte-Carlo-Methoden und Temporal-Difference (TD)-Lernen
3. Implementierung grundlegender RL-Algorithmen
- Tabellarische Methoden: Dynamische Programmierung, Policy-Evaluation und Iteration
- Q-Learning und SARSA
- Epsilon-greedy-Exploration und Dämpfungsstrategien
- Implementierung von RL-Umgebungen mit OpenAI Gymnasium
4. Übergang zu Deep Reinforcement Learning
- Einschränkungen tabellarischer Methoden
- Verwendung neuronaler Netze zur Funktionsapproximation
- Deep Q-Network (DQN)-Architektur und Arbeitsablauf
- Experience Replay und Target Networks
5. Fortgeschrittene DRL-Algorithmen
- Double DQN, Dueling DQN und Prioritized Experience Replay
- Policy Gradient Methoden: REINFORCE-Algorithmus
- Actor-Critic-Architekturen (A2C, A3C)
- Proximal Policy Optimization (PPO)
- Soft Actor-Critic (SAC)
6. Umgang mit kontinuierlichen Aktionsräumen
- Herausforderungen bei der kontinuierlichen Steuerung
- Verwendung von DDPG (Deep Deterministic Policy Gradient)
- Twin Delayed DDPG (TD3)
7. Praktische Tools und Frameworks
- Nutzung von Stable-Baselines3 und Ray RLlib
- Protokollierung und Überwachung mit TensorBoard
- Hyperparameter-Tuning für DRL-Modelle
8. Reward Engineering und Umgebungsdesign
- Reward Shaping und Balance von Strafen
- Konzepte für Sim-to-Real-Transfer Learning
- Erstellung von benutzerdefinierten Umgebungen in Gymnasium
9. Teilweise beobachtbare Umgebungen und Generalisierung
- Umgang mit unvollständigen Zustandsinformationen (POMDPs)
- Gedächtnisbasierte Ansätze mit LSTMs und RNNs
- Verbesserung der Robustheit und Generalisierungsfähigkeit von Agenten
10. Spieltheorie und Multi-Agent Reinforcement Learning
- Einführung in Multi-Agenten-Umgebungen
- Kooperation vs. Wettbewerb
- Anwendungen im adversarialen Training und bei der Strategieoptimierung
11. Fallstudien und reale Anwendungen
- Simulationen für autonomes Fahren
- Dynamische Preisgestaltung und Handelsstrategien in der Finanzwelt
- Robotik und industrielle Automatisierung
12. Fehlerbehebung und Optimierung
- Diagnose instabiler Trainingsläufe
- Umgang mit spärlicher Belohnung und Overfitting
- Skalierung von DRL-Modellen auf GPUs und verteilten Systemen
13. Zusammenfassung und nächste Schritte
- Rückblick auf DRL-Architektur und wichtige Algorithmen
- Branchentrends und Forschungsrichtungen (z. B. RLHF, hybride Modelle)
- Weitere Ressourcen und Lektüren
Voraussetzungen
- Kenntnisse in der Python-Programmierung
- Verständnis für Analysis und Lineare Algebra
- Grundkenntnisse in Wahrscheinlichkeitsrechnung und Statistik
- Erfahrung im Aufbau von Machine-Learning-Modellen mit Python sowie NumPy oder TensorFlow/PyTorch
Zielgruppe
- Entwickler, die sich für KI und intelligente Systeme interessieren
- Data Scientists, die Reinforcement-Learning-Frameworks erkunden
- Machine-Learning-Ingenieure, die mit autonomen Systemen arbeiten
Erfahrungsberichte (3)
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
Dass es reale Firmendaten verwendete. Der Trainer hatte einen sehr guten Ansatz, indem er die Teilnehmer aktiv einbezog und sie miteinander wetteifern ließ.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Maschinelle Übersetzung
