Schulungsübersicht
Einführung in Reinforcement Learning und agentic AI
- Entscheidungsfindung unter Unsicherheit und sequentielle Planung
- Wichtige Komponenten von RL: Agenten, Umgebungen, Zustände und Belohnungen
- Rolle von RL in adaptiven und agentic AI-Systemen
Markov-Entscheidungsprozesse (MDP)
- Formale Definition und Eigenschaften von MDPs
- Wertfunktionen, Bellman-Gleichungen und dynamische Programmierung
- Politik-Evaluation, Verbesserung und Iteration
Model-Free Reinforcement Learning
- Monte-Carlo- und Temporal-Difference (TD)-Lernen
- Q-Lernen und SARSA
- Praxis: Implementierung tabellarischer RL-Methoden in Python
Deep Reinforcement Learning
- Kombination von neuronalen Netzen mit RL für die Funktionsapproximation
- Deep Q-Networks (DQN) und Experience Replay
- Actor-Critic-Architekturen und Policy Gradients
- Praxis: Training eines Agenten mit DQN und PPO unter Verwendung von Stable-Baselines3
Explorationsstrategien und Reward Shaping
- Ausbalancierung von Exploration vs. Exploitation (\u03b5-greedy, UCB, Entropiemethoden)
- Gestaltung von Belohnungsfunktionen und Vermeidung ungewollter Verhaltensweisen
- Reward Shaping und Curriculum Learning
Fortgeschrittene Themen im RL und in der Entscheidungsfindung
- Multi-Agent-Reinforcement-Learning und kooperative Strategien
- Hierarchisches Reinforcement Learning und Options-Rahmen
- Offline RL und Imitation Learning für sicherere Implementierung
Simulationsumgebungen und Evaluation
- Nutzung von OpenAI Gym und benutzerdefinierten Umgebungen
- Kontinuierliche vs. diskrete Aktionsräume
- Metriken für Agentenleistung, Stabilität und Stichprobeneffizienz
Integration von RL in agentic AI-Systeme
- Kombination von Reasoning und RL in hybriden Agentenarchitekturen
- Integration von Reinforcement Learning mit Tool-using-Agenten
- Operative Überlegungen zum Skalieren und zur Implementierung
Capstone-Projekt
- Entwurf und Implementierung eines Reinforcement-Learning-Agenten für eine simulierte Aufgabe
- Analyse der Trainingsleistung und Optimierung von Hyperparametern
- Demonstration adaptiven Verhaltens und Entscheidungsfindung in einem agentic Kontext
Zusammenfassung und nächste Schritte
Voraussetzungen
- Starke Kenntnisse in der Python-Programmierung
- Solides Verständnis von Machine-Learning- und Deep-Learning-Konzepten
- Vertrautheit mit linearen Algebra, Wahrscheinlichkeitstheorie und grundlegenden Optimierungsmethoden
Zielgruppe
- Ingenieure für Reinforcement Learning und angewandte KI-Forscher
- Entwickler für Robotik und Automatisierung
- Ingenieurteams, die an adaptiven und agentic AI-Systemen arbeiten
Erfahrungsberichte (3)
Starke Bestätigung dafür, dass aktuelle LLMs im richtigen Setup für Kundenprojekte einsetzbar sind.
Oliver Fromm
Kurs - Agentic AI for Enterprise Applications
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
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
