Reinforcement Learning

Zielgruppen:

Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften

Fachliche Voraussetzungen:

Vorkenntnisse im Bereich Machine Learning sowie in der Programmiersprache Python werden vorausgesetzt.

Technische Voraussetzungen:

Die Teilnahme am Unterricht erfolgt über Internet per Videotechnik. Voraussetzung für die Nutzung deiner eigenen Hardware ist die Installation der Applikation alfaview®: https://cloud.alfanetz.de/test Falls du keinen geeigneten Computer hast, erhältst du von uns das technische Equipment, um von zuhause aus am Kurs teilnehmen zu können. Sollten die räumlichen und technischen Voraussetzungen dir eine Teilnahme von zuhause aus nicht ermöglichen, kannst du deinen Kurs auch in einem unserer Bildungszentren absolvieren.

Systematik der Agenturen für Arbeit:

• C 1435-10-10 Softwareentwicklung, Programmierung - allgemein

Inhalte

Reinforcement Learning als eine der drei Haupttechniken des maschinellen Lernens beschreibt eine Lernmethode, in der Software durch den direkten Austausch mit ihrer Umwelt in Form von Versuch und Irrtum trainiert wird, optimale Ergebnisse zu erzielen. Mache dich im Kurs mit den Konzepten und Ansätzen, aber auch den Herausforderungen dieser Lernmethode vertraut.

Reinforcement Learning

Einführung in Reinforcement Learning (ca. 1 Tag) 
Definition und grundlegende Konzepte
Unterschiede zu anderen Lernmethoden
Anwendungsbereiche und Beispiele

Markov Decision Processes (MDPs) (ca. 2 Tage)
Definition und Eigenschaften von MDPs
Value-Funktionen und Policy
Bellman-Gleichungen
Dynamic Programming Ansatz

Q-Learning (ca. 2 Tage)
Definition und Algorithmus
Exploration vs. Exploitation
Konvergenz- und Optimierungseigenschaften
Anwendungen in Spielen, Robotik und anderen Bereichen

Deep Reinforcement Learning (ca. 3 Tage)
Deep Q-Learning
Deep Deterministic Policy Gradients (DDPG)
Actor-Critic-Methoden
Policy Gradient-Methoden

Fortgeschrittene Themen (ca. 4 Tage)
Model-Based Reinforcement Learning
Multi-Agent Reinforcement Learning
Inverse Reinforcement Learning
Meta Reinforcement Learning

Praktische Anwendungen (ca. 3 Tage)
Implementierung von Reinforcement Learning Algorithmen
Anwendung auf ausgewählte Probleme und Fallstudien
Evaluation und Tuning der Algorithmen

Zusammenfassung und Ausblick (ca. 2 Tage)
Zusammenfassung der wichtigsten Konzepte und Ergebnisse
Herausforderungen und zukünftige Entwicklungen in Reinforcement Learning

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.

Bildungsziel

Nach Abschluss des Lehrgangs verstehst du die grundlegenden Konzepte des Reinforcement Learning und kennst die Unterschiede zu anderen Lernmethoden. Du bist mit Markov-Entscheidungsprozessen, Q-Learning und Deep Reinforcement Learning vertraut und kannst fortgeschrittene Themen wie Multi-Agent- und Model-Based Reinforcement Learning anwenden. Zudem bist du in der Lage, Reinforcement-Learning-Algorithmen zu implementieren, an realen Problemen zu testen und zu optimieren.