Schulungsübersicht

Einleitung zu Reinforcement Learning

  • Was ist Verstärkungslernen?
  • Schlüsselkonzepte: Agent, Umgebung, Zustände, Aktionen und Belohnungen
  • Herausforderungen beim Verstärkungslernen

Erkundung und Ausbeutung

  • Gleichgewicht zwischen Exploration und Ausnutzung in RL-Modellen
  • Explorationsstrategien: Epsilon-Greedy, Softmax und mehr

Q-Lernen und tiefe Q-Netze (DQNs)

  • Einführung in Q-learning
  • Implementierung von DQNs mit TensorFlow
  • Optimierung des Q-Learnings mit Erfahrungswiedergabe und Zielnetzen

Richtlinien-basierte Methoden

  • Gradienten-Algorithmen für Richtlinien
  • REINFORCE-Algorithmus und seine Implementierung
  • Akteurskritische Methoden

Arbeiten mit OpenAI Gym

  • Einrichten von Umgebungen in OpenAI Gym
  • Simulation von Agenten in dynamischen Umgebungen
  • Bewertung der Leistung von Agenten

Fortgeschrittene Reinforcement Learning-Techniken

  • Verstärkungslernen mit mehreren Agenten
  • Tiefer deterministischer Politik-Gradient (DDPG)
  • Proximale Politikoptimierung (PPO)

Einsatz von Reinforcement Learning Modellen

  • Reale Anwendungen von Reinforcement Learning
  • Integration von RL-Modellen in Produktionsumgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung mit Python Programmierung
  • Grundlegendes Verständnis von Deep Learning und maschinellen Lernkonzepten
  • Kenntnisse von Algorithmen und mathematischen Konzepten, die beim Reinforcement Learning verwendet werden

Zielgruppe

  • Datenwissenschaftler
  • Praktiker des maschinellen Lernens
  • KI-Forscher
 28 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Erfahrungsberichte (4)

Kommende Kurse

Verwandte Kategorien