Следующая дата:
02.06.2025
Курс заканчивается:
27.06.2025
Общая продолжительность:
160 Stunden
Практика:
Nein
язык обучения:
  • Deutsch
Вид мероприятия:
  • Weiterbildung 
Форма предложения:
  • Virtuelles Klassenzimmer 
  • E-Learning 
Время проведения:
  • Tagesveranstaltung
  • Montag bis Freitag von 8:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
Участники мин.:
6
Участники макс.:
25
Цена:
keine Angaben
Поддержка:
  • Bildungsgutschein 
  • Qualifizierungschancengesetz 
  • Deutsche Rentenversicherung 
  • EU/Bund/Land 
Вид документа об образовании:
Zertifikat/Teilnahmebestätigung 
Итоговый экзамен:
Ja
Окончательный титул:
Zertifikat „Reinforcement Learning“
Сертификация курса:
  • SGB III-Maßnahmezulassung 
Номер мера:
  • 035/118/24
Курсы только для женщин:
Nein
Присмотр за детьми:
Nein
Качество информации:
Suchportal Standard Plus

Целевые группы:
Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften
Профессиональные условия:
Vorkenntnisse im Bereich Machine Learning sowie in der Programmiersprache Python werden vorausgesetzt.
Технические условия:
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.
Систематика терминов агентств по трудоустройству Германии:
  • C 1435-10-10 Softwareentwicklung, Programmierung - allgemein

Содержание

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.

Цель образования

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.

Все сведения предоставляются без гарантии. За правильность сведений ответственность несут исключительно сами поставщики.

Впервые опубликовано на 12.12.2024, последнее обновление на 04.04.2025