Schulungsübersicht
Einführung in das Reinforcement Learning und agentenbasierte KI
- Entscheidungsfindung unter Unsicherheit sowie sequentielle Planung
- Die wesentlichen Bestandteile des RL: Agenten, Umgebungen, Zustände und Belohnungen
- Die Rolle von Reinforcement Learning in adaptiven und agentenbasierten KI-Systemen
Markov-Entscheidungsprozesse (MDPs)
- Formale Definition und Eigenschaften von MDPs
- Wertfunktionen, Bellman-Gleichungen sowie dynamische Programmierung
- Evaluation, Verbesserung und Iteration von Strategien
Modellfreies Reinforcement Learning
- Monte-Carlo- und zeitdifferenzbasierte (Temporal-Difference) Lernverfahren
- Q-Learning sowie SARSA
- Praxisübung: Umsetzung tabellarischer RL-Methoden in Python
Tiefes Reinforcement Learning
- Kombination von neuronalen Netzen mit RL zur Funktionapproximation
- Deep Q-Networks (DQN) sowie die Nutzung der Erfahrungswiederholung
- Architekturen vom Typ Actor-Critic und Policy-Gradienten-Methoden
- Praxisübung: Trainieren eines Agenten mittels DQN sowie PPO unter Verwendung von Stable-Baselines3
Strategien zur Entdeckung neuer Informationen und Belohnungsformgebung
- Ausgewogenes Verhältnis zwischen Neues entdecken und bestehendes Wissen nutzen (z. B. ε-greedy, UCB, Entropieverfahren)
- Gestaltung von Belohnungsfunktionen sowie Vermeidung unerwünschter Verhaltensweisen
- Formgebung von Belohnungen und konzeptionelles Lernen schrittweise
Fortgeschrittene Themen im Bereich RL und Entscheidungsfindung
- Mehragenten-Reinforcement-Learning sowie kooperative Strategien
- Hierarchisches Reinforcement Learning und das Options-Framework
- Offline-Reinforcement-Learning sowie Imitationslernen für eine sicherere Einführung in Produktionsumgebungen
Simulationsumgebungen und Bewertungsmethoden
- Nutzung von OpenAI Gym sowie selbst entwickelter Umgebungen
- Kontinuierliche im Vergleich zu diskreten Aktionsräumen
- Bewertungskriterien für Leistung, Stabilität und Effizienz beim Lernen eines Agenten
Integration von RL in agentenbasierte KI-Systeme
- Verknüpfung von logischem Schlussfolgern und Reinforcement Learning in hybriden Agentenarchitekturen
- Einbindung von RL-Verfahren in Werkzeug nutzende Agenten
- Aspekte bei der Skalierung und Implementierung solcher Systeme im operativen Betrieb
Abschlussprojekt
- Entwurf und Umsetzung eines Reinforcement-Learning-Agenten für eine simulierte Aufgabe
- Analyse der Trainingsergebnisse sowie Optimierung der Hyperparameter
- Demonstration adaptiver Verhaltensweisen und einer fundierten Entscheidungsfindung im Kontext agentenbasierter Systeme
Zusammenfassung sowie weitere Schritte
Voraussetzungen
- Ausgezeichnete Kenntnisse in der Python-Programmierung
- Fundierte Beherrschung von Konzepten des maschinellen Lernens und des Deep Learnings
- Vertrautheit mit der linearen Algebra, Wahrscheinlichkeitsrechnung sowie grundlegenden Optimierungsmethoden
Zielgruppe
- Ingenieure im Bereich Reinforcement Learning sowie angewandte KI-Forscher
- Entwickler für Robotik und Automatisierungssysteme
- Ingenieurteams, die sich mit adaptiven sowie agentenbasierten KI-Systemen beschäftigen
Erfahrungsberichte (3)
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
Guter Mix aus Wissen und Praxis
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
