Reinforcement Learning mit Python

Erfahren Sie in diesem Training alles über das Reinforcement Learning um es auf Ihre Daten anzuwenden. Das Training wurde in Kooperation von 3 erfahrenen Data Scientists entwickelt. Diese werden Sie auch während der Schulung begleiten – freuen Sie sich auf 2 spannende Tage!

Das Reinforcement Learning bildet eine neue Klasse des Machine Learnings und stellt für einige Probleme einen Paradigmenwechsel dar. Der entscheidende Unterschied zum „klassischen“ Supervised Learning ist der: Im Reinforcement Learning werden keine Trainingsdaten benötigt. Lernen erfolgt einzig und allein durch positive Verstärkung bzw. Bestrafung für jede geartete Aktion eines sogenannten Agenten. Wie im natürlichen Lernprozess des Menschen bewegt sich der Agent mittles Trail & Error durch einen Explorationsraum und erhält für jede Aktion ein Feedback seiner Umgebung. Fällt dieses Feedback positiv aus, erhöht es die Auftretenswahrscheinlichkeit dieses Verhaltens. Ist das Feedback negativ, wird die Auftretenswahrscheinlichkeit reduziert.

Data Scientists, Datenanalysten, Statistiker, Mathematiker, Researcher

Grundlegende Programmiererfahrung in Python sollte vorhanden sein.

Grundlegende Erfahrung im Bereich Machine Learning sind von Vorteil, aber keine Vorraussetzung.

• Kennenlernen der methodischen Grundlagen des Reinforcement Learnings
• Reinforcement Learning mit Python umsetzen
• Eigene Problemstellungen mit Reinforcement Learning lösen

1. Grundlagen

•  Motivation RL: Einsatzgebiete, Use Cases
• Grundlagen RL (Agenten, Environment etc.), Einordnung ML, Greedy-Policy, Exploration, Validierung von RL Algorithmen, Problemtypen (diskret, kontinuierlich), Abgrenzung Algorithmentypen (Model free, Model based, on-, off-policy)
• Motivation Q Tables, Q Learning, SARSA, Bellman, Markov Ketten

2. Erste RL Anwendung / Hands-On-RL

• Übersicht Frameworks
• OpenAI Gym
• Code-Beispiele

3. Deep Q Networks

• Einführung DQN
• Neuronale Netze, Convolutional Neural Networks (CNN)
• Erweiterungen: Dueling DQN, Double DQN, Prioritized Experience Replay, Rainbow

4. Policy Algorithmen

• Einführung Policy Algorithmen
• DDPG
• Übersicht weitere Methoden: PPO, GAE

5. Use Case Implementierung

• Simulationsumgebung mit OpenAI Gym entwickeln
• Experimente starten mit Ray RLlib

6. Outlook

• weitere Richtungen im Reinforcement Learning: Hierarchien, Model Based, Exploration, Intrinsic Reward, Imitation Learning
• weitere Ressourcen (online Vorlesung, Bücher etc.)

• Preis: 2.400,- € zzgl. MwSt.
• Dauer: 2 Tage
• 2–10 Teilnehmer
• Kurssprache: Deutsch
• Training am eigenen Laptop

• 3 erfahrene Data Scientists und Trainer
• Teilnehmerzertifikat
• Umfassende Schulungsunterlagen
• Verpflegung mit Mittagessen, Snacks und Getränken
• Top ausgestattete Schulungsräume
• Angenehme Lernatmosphäre durch kleine Gruppen und aufgelockerte Inhalte
• Hands-On-Training: Praxisorientiert mit anschaulichen Beispieldaten und kleinen Übungen