Schulungsübersicht

Einführung in Reinforcement Learning

  • Überblick über das Verstärkungslernen und seine Anwendungen
  • Unterschiede zwischen überwachtem, unüberwachtem und verstärkendem Lernen
  • Schlüsselkonzepte: Agent, Umgebung, Belohnungen und Politik

Markov-Entscheidungsprozesse (MDPs)

  • Verstehen von Zuständen, Aktionen, Belohnungen und Zustandsübergängen
  • Wertfunktionen und die Bellman-Gleichung
  • Dynamische Programmierung zum Lösen von MDPs

Kern-RL-Algorithmen

  • Tabellarische Methoden: Q-Learning und SARSA
  • Politik-basierte Methoden: REINFORCE-Algorithmus
  • Actor-Critic Frameworks und ihre Anwendungen

Tief Reinforcement Learning

  • Einführung in Deep Q-Networks (DQN)
  • Erfahrungswiedergabe und Zielnetzwerke
  • Policy-Gradienten und fortgeschrittene tiefe RL-Methoden

RL-Frameworks und Tools

  • Einführung in OpenAI Gym und andere RL-Umgebungen
  • Verwendung von PyTorch oder TensorFlow für die Entwicklung von RL-Modellen
  • Training, Test und Benchmarking von RL-Agenten

Herausforderungen in RL

  • Gleichgewicht zwischen Erkundung und Ausbeutung beim Training
  • Umgang mit spärlichen Belohnungen und Kreditvergabeproblemen
  • Scalability und rechnerische Herausforderungen in RL

Praktische Übungen Activities

  • Implementierung von Q-Learning und SARSA-Algorithmen von Grund auf
  • Training eines DQN-basierten Agenten, um ein einfaches Spiel in OpenAIGym zu spielen
  • Feinabstimmung von RL-Modellen zur Verbesserung der Leistung in benutzerdefinierten Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Ausgeprägtes Verständnis der Grundsätze und Algorithmen des maschinellen Lernens
  • Beherrschung der Python-Programmierung
  • Vertrautheit mit neuronalen Netzen und Deep-Learning-Frameworks

Zielgruppe

  • Ingenieure für maschinelles Lernen
  • KI-Spezialisten
 14 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien