Schulungsübersicht

Einführung in das Reinforcement Learning

  • Überblick über das Reinforcement Learning und seine Anwendungen
  • Unterschiede zwischen supervised, unsupervised und reinforcement learning
  • Schlüsselbegriffe: Agent, Umgebung, Belohnungen und Politik

Markow-Entscheidungsprozesse (MDPs)

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

Kern-RL-Algorithmen

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

Tiefes Reinforcement Learning

  • Einführung in Deep Q-Networks (DQN)
  • Erfahrungs-Wiedergabe und Zielnetzwerke
  • Politik-Gradienten und fortgeschrittene Methoden des tiefen RL

RL-Frameworks und Werkzeuge

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

Herausforderungen im RL

  • Balance zwischen Exploration und Exploitation während des Trainings
  • Umgang mit dünnen Belohnungen und Kreditzuweisungsproblemen
  • Skalierbarkeit und rechnerische Herausforderungen im RL

Praktische Aktivitäten

  • Implementierung der Q-Learning- und SARSA-Algorithmen von Grund auf
  • Training eines DQN-basierten Agents zum Spielen einer einfachen Spiel in OpenAI Gym
  • Feinabstimmung von RL-Modellen für verbesserte Leistung in benutzerdefinierten Umgebungen

Zusammenfassung und Nächste Schritte

Voraussetzungen

  • Tiefes Verständnis der Prinzipien und Algorithmen des maschinellen Lernens
  • Fachlichkeit in Python-Programmierung
  • Kenntnisse von neuronalen Netzen und tiefem Lernen Frameworks

Zielgruppe

  • Maschinelles-Lernen-Engineer
  • AI-Spezialisten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien