Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Entdecken Sie die Welt des Reinforcement Learning
Begeben Sie sich auf eine spannende Entdeckungsreise durch Reinforcement Learning (RL), einen zentralen Zweig des Machine Learning. Dieser interaktive Kurs nimmt dich mit auf eine umfassende Reise durch die Kernprinzipien des RL, bei der du die Kunst erlernst, intelligente Agenten zu trainieren, ihnen beibringst, strategische Entscheidungen zu treffen und Belohnungen zu maximieren.Beherrsche grundlegende Konzepte und Werkzeuge
Dein Abenteuer beginnt mit einem tiefen Einblick in die einzigartigen Aspekte des RL. Du wirst nicht nur grundlegende RL-Konzepte erlernen, sondern auch wichtige RL-Algorithmen auf praktische Szenarien mit dem renommierten OpenAI Gym Toolkit anwenden. Dieser praxisorientierte Ansatz sorgt für ein umfassendes Verständnis der RL-Grundlagen.Navigieren Sie durch fortgeschrittene Strategien und Anwendungen
Während Ihre Reise weitergeht, tauchen Sie in die Welt fortgeschrittener RL-Strategien ein und entdecken die Feinheiten der Monte-Carlo-Methoden, des Temporal Difference Learning und des Q-Learning. Wenn du diese Techniken in Python beherrschst, wirst du in der Lage sein, Agenten für eine Vielzahl komplexer Aufgaben zu trainieren.Verwandle dein Lernen in echten Mehrwert
Am Ende dieses Kurses wirst du ein tiefgehendes Verständnis der RL-Theorie besitzen und die Fähigkeiten haben, sie kreativ in realen Kontexten anzuwenden. Du wirst bereit sein, RL-Modelle in Python zu entwickeln und damit eine Welt voller Möglichkeiten für deine Projekte und beruflichen Vorhaben erschließen.Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Reinforcement Learning
Tauche ein in die spannende Welt des Reinforcement Learning (RL) und erkunde grundlegende Konzepte, Rollen und Anwendungsfälle. Navigiere durch das RL-Framework und entdecke die Interaktion zwischen Agent und Umgebung. Außerdem lernst du, wie du die Gymnasium-Bibliothek nutzt, um Umgebungen zu erstellen, Zustände zu visualisieren und Aktionen auszuführen – so baust du ein praktisches Fundament für RL-Konzepte und -Anwendungen auf.
- Grundlagen des Reinforcement Learning50 XP
- Was ist Reinforcement Learning?50 XP
- RL vs. andere ML-Teildisziplinen100 XP
- Szenarien für den Einsatz von RL100 XP
- Das RL-Framework verstehen und anwenden50 XP
- RL-Interaktionsschleife100 XP
- Episodische und kontinuierliche RL‑Aufgaben100 XP
- Abgezinste Returns für Agentenstrategien berechnen100 XP
- Mit Gymnasium-Umgebungen interagieren50 XP
- Eine Mountain-Car-Umgebung einrichten100 XP
- Das Mountain-Car-Environment visualisieren100 XP
- Interaktion mit der Frozen-Lake-Umgebung100 XP
2
Modellbasiertes Lernen
Vertiefe dein Wissen im Bereich RL mit Fokus auf modellbasiertes Lernen. Entschlüssele die Komplexität von Markov-Entscheidungsprozessen (MDPs) und verstehe ihre wesentlichen Bestandteile. Erweitere deinen Werkzeugkasten mit Policies und Wertfunktionen. Sammle Erfahrung in der Policy-Optimierung mithilfe von Policy Iteration und Value Iteration.
3
Modellfreies Lernen
Begib dich auf eine Reise durch die dynamische Welt des modellfreien Lernens im RL. Lerne die grundlegenden Monte-Carlo-Methoden kennen und wende First-Visit- und Every-Visit-Monte-Carlo-Vorhersageverfahren an. Wechsle anschließend zum Temporal-Difference-Lernen und erkunde den SARSA-Algorithmus. Zum Schluss tauchst du in Q-Learning ein und analysierst seine Konvergenz in anspruchsvollen Umgebungen.
4
Fortgeschrittene Strategien im modellfreien RL
Tauche ein in fortgeschrittene Strategien im modellfreien RL, mit Fokus auf die Verbesserung von Entscheidungsalgorithmen. Lerne Expected SARSA für genauere Policy-Updates kennen und Double Q-Learning, um Überschätzungstendenzen zu reduzieren. Erkunde den Trade-off zwischen Exploration und Exploitation und beherrsche epsilon-greedy- sowie epsilon-decay-Strategien für optimale Aktionswahl. Stelle dich dem Multi-Armed-Bandit-Problem und wende Strategien an, um Entscheidungsprobleme unter Unsicherheit zu lösen.
Reinforcement Learning mit Gymnasium in Python
Kurs
abgeschlossen
