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 Bellmann-Gleichung
- Dynamic Programming zur Lösung von MDPs
Kernel-RL-Algorithmen
- Tabellarische Methoden: Q-Learning und SARSA
- Policy-basierte Methoden: REINFORCE-Algorithmus
- Actor-Critic-Frameworks und ihre Anwendungen
Deep Reinforcement Learning
- Einführung in Deep Q-Networks (DQN)
- Experience Replay und 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 Entwicklung von RL-Modellen
- Training, Testen und Benchmarking von RL-Agenten
Herausforderungen im RL
- Balanceierung von Exploration und Exploitation beim Training
- Umgang mit dünnen Belohnungen und Credit-Assignment-Problemen
- Skalierbarkeit und rechnerische Herausforderungen im RL
Praxisübungen
- Implementierung der Algorithmen Q-Learning und SARSA von Grund auf
- Training eines DQN-basierten Agenten zum Spielen eines einfachen Spiels in OpenAI Gym
- Feinabstimmung von RL-Modellen zur Leistungsoptimierung in benutzerdefinierten Umgebungen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Vertiefte Kenntnisse in den Prinzipien und Algorithmen des maschinellen Lernens
- Sicherer Umgang mit Python-Programmierung
- Vertrautheit mit neuronalen Netzen und Deep-Learning-Frameworks
Zielgruppe
- Machine-Learning-Engineer
- KI-Spezialisten
14 Stunden
