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
1. Einführung in Deep Reinforcement Learning
- Was ist Reinforcement Learning?
- Unterschied zwischen überwachtem, unüberwachtem und Reinforcement Learning
- Anwendungen von DRL im Jahr 2025 (Robotik, Gesundheitswesen, Finanzen, Logistik)
- Verstehen des Agenten-Umgebung-Interaktionszyklus
2. Grundlagen des Reinforcement Learnings
- Markov-Entscheidungsprozesse (MDP)
- Zustand, Aktion, Belohnung, Politik und Wertfunktionen
- Exploration vs. Exploitation-Kompromiss
- Monte-Carlo-Methoden und Temporal-Difference (TD)-Lernen
3. Implementierung grundlegender RL-Algorithmen
- Tabellarische Methoden: Dynamisches Programmieren, Politikbewertung und -iteration
- Q-Learning und SARSA
- Epsilon-greedy-Exploration und Abklingstrategien
- Implementierung von RL-Umgebungen mit OpenAI Gymnasium
4. Übergang zu Deep Reinforcement Learning
- Begrenzungen tabellarischer Methoden
- Nutzung von neuronalen Netzen für Funktionsapproximation
- Aufbau und Workflow des Deep Q-Networks (DQN)
- Erfahrungswiedergabe und Zielnetze
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. Arbeit mit kontinuierlichen Aktionenräumen
- Herausforderungen bei kontinuierlicher Steuerung
- Nutzung 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 Penalty-Balancing
- Konzepte des Sim-to-real Transfer-Learnings
- Erstellung benutzerdefinierter Umgebungen in Gymnasium
9. Teilweise beobachtbare Umgebungen und Generalisierung
- Bearbeitung unvollständiger Zustandsinformationen (POMDPs)
- Gedächtnisbasierte Ansätze mit LSTMs und RNNs
- Verbesserung der Agenten-Robustheit und -Generalisierung
10. Spieltheorie und Multi-Agent Reinforcement Learning
- Einführung in Multi-Agent-Umgebungen
- Kooperation vs. Wettbewerb
- Anwendungen im adversären Training und Strategieoptimierung
11. Fallstudien und praktische Anwendungen
- Simulationen autonomer Fahrzeuge
- Dynamisches Preismodellieren und Handelsstrategien der Finanzmärkte
- Robotik und industrielle Automatisierung
12. Fehlerbehebung und Optimierung
- Diagnose instabiler Trainingsläufe
- Verwaltung von Reward-Sparsität und Overfitting
- Skalierung von DRL-Modellen auf GPUs und verteilten Systemen
13. Zusammenfassung und weitere Schritte
- Zusammenfassung der DRL-Architektur und wichtiger Algorithmen
- Branzentwicklungen und Forschungsrichtungen (z.B. RLHF, hybride Modelle)
- Weitere Ressourcen und Lesematerialien
Voraussetzungen
- Fachwissen in Python-Programmierung
- Grundverständnis der Differential- und Integralrechnung sowie der linearen Algebra
- Grundkenntnisse in Wahrscheinlichkeitsrechnung und Statistik
- Erfahrung im Aufbau von maschinelles Lernen mit Python und NumPy oder TensorFlow/PyTorch
Zielgruppe
- Entwickler, die sich für KI und intelligente Systeme interessieren
- Data Scientists, die Reinforcement Learning-Frameworks erforschen
- Maschinelles Lernen Ingenieure, die mit autonomen Systemen arbeiten
21 Stunden
Erfahrungsberichte (4)
Hunter ist fabelhaft, sehr einnehmend, äußerst sachkundig und sympathisch. Sehr gut gemacht.
Rick Johnson - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
I liked the new insights in deep machine learning.
Josip Arneric
Kurs - Neural Network in R
Maschinelle Übersetzung
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Kurs - Introduction to the use of neural networks
Maschinelle Übersetzung
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
