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.
Schulungsübersicht
Einführung in Reinforcement Learning
- Überblick über Reinforcement Learning und seine Anwendungen
- Unterschiede zwischen überwachtem, unüberwachtem und verstärkendem Lernen
- Wichtige Konzepte: 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 Zielsysteme (Target Networks)
- Policy-Gradienten und fortgeschrittene Deep-RL-Methoden
RL-Frameworks und Werkzeuge
- Einführung in OpenAI Gym und andere RL-Umgebungen
- Verwendung von PyTorch oder TensorFlow für die RL-Modellentwicklung
- Training, Testen und Benchmarking von RL-Agenten
Herausforderungen im RL
- Gleichgewicht zwischen Erkundung und Ausbeutung im Training
- Umgang mit spärlichen Belohnungen und Kreditzuweisungsproblemen
- Skalierbarkeit und rechnerische Herausforderungen im RL
Praktische Übungen (Hands-on)
- Implementierung von Q-Learning- und SARSA-Algorithmen von Grund auf
- Training eines DQN-basierten Agenten zum Spielen eines einfachen Spiels in OpenAI Gym
- Feinabstimmung von RL-Modellen für bessere Leistung in eigenen Umgebungen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Fundierte Kenntnisse in den Prinzipien und Algorithmen des maschinellen Lernens
- Sicherer Umgang mit der Programmiersprache Python
- Kenntnisse in neuronalen Netzen und Deep-Learning-Frameworks
Zielgruppe
- Machine-Learning-Engineers
- KI-Experten
14 Stunden
