Kontakt aufnehmen

Schulungsübersicht

Einführung in Reinforcement Learning

  • Überblick über Reinforcement Learning und dessen Anwendungen
  • Unterschiede zwischen überwachtem (supervised), unüberwachtem (unsupervised) und bestärkendem (reinforcement) Lernen
  • Schlüsselkonzepte: Agent, Umgebung, Belohnungen und Policy

Markov-Entscheidungsprozesse (MDPs)

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

Kern-RL-Algorithmen

  • Tabellarische Methoden: Q-Learning und SARSA
  • Policy-basierte Methoden: REINFORCE-Algorithmus
  • Actor-Critic-Frameworks und deren Anwendungen

Deep Reinforcement Learning

  • Einführung in Deep Q-Networks (DQN)
  • Experience Replay und Target Networks
  • Policy Gradients und fortschrittliche Deep-RL-Methoden

RL-Frameworks und Tools

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

Herausforderungen im RL

  • Balance zwischen Exploration und Exploitation während des Trainings
  • Umgang mit sparse Rewards und Credit-Assignment-Problemen
  • Skalierbarkeit und Rechenaufwand im RL

Praxisübungen

  • Implementierung von Q-Learning- und SARSA-Algorithmen von Grund auf neu
  • Training eines DQN-basierten Agenten zum Spielen eines einfachen Spiels in OpenAI Gym
  • Feinabstimmung (Fine-Tuning) von RL-Modellen zur Leistungssteigerung in benutzerdefinierten Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Fundiertes Verständnis von Machine-Learning-Prinzipien und -Algorithmen
  • Sichere Programmierkenntnisse in Python
  • 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