Seminare
Seminare

Reinforcement Learning: Lernen durch Belohnung

Webinar - PROKODA GmbH

Reinforcement Learning: Lernen durch Belohnung
Termin Ort Preis*
25.01.2027- 27.01.2027 München 1.773,10 €
25.01.2027- 27.01.2027 online 1.773,10 €
15.02.2027- 17.02.2027 online 1.773,10 €
15.02.2027- 17.02.2027 München 1.773,10 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

RL-Grundlagen und Problemformulierung

  • Markov Decision Processes modellieren
  • Zustände, Aktionen und Rewards
  • Episoden, Return und Discounting
  • Policy und Value Function
  • Exploration versus Exploitation

Value-based Reinforcement Learning

  • Dynamic Programming als Ausgangspunkt
  • Monte Carlo und Temporal Difference
  • Q-Learning und SARSA
  • Eligibility Traces im Überblick
  • Stärken und Grenzen tabellarischer Verfahren

Deep Reinforcement Learning mit DQN

  • Deep Q-Networks aufbauen
  • Experience Replay gezielt einsetzen
  • Target Networks stabilisieren Training
  • Trainingsinstabilität und Collapse erkennen
  • Hyperparameter und Normalisierung

Policy Gradients und Actor-Critic

  • REINFORCE und Baselines
  • Varianzreduktion bei Gradienten
  • Advantage und GAE
  • Actor-Critic-Intuition
  • PPO-Mechanik und Einsatzgrenzen

Reward Design, Safety und Risiken

  • Reward Shaping ohne Reward Hacking
  • Constraints und Penalties
  • Safety Checks in Umgebungen
  • Offline RL versus Online RL
  • Datenqualität und Simulationsrisiken

Evaluation, Debugging und Praxisprojekt

  • Trainingskurven richtig interpretieren
  • Seed-Management und Reproduzierbarkeit
  • Ablations und Vergleichsexperimente
  • Sample Efficiency, Regret, Robustheit
  • Gymnasium und eigene Environments
  • Logging, Monitoring und Drift
Teilnahmevoraussetzungen:
  • Solide Python-Kenntnisse, idealerweise auf Niveau eines Python Aufbaukurses
  • Erfahrung mit Jupyter-Notebooks, NumPy oder vergleichbaren Python-Workflows
  • Grundverständnis von Machine Learning, Modelltraining und Evaluation
  • Kenntnisse neuronaler Netze, zum Beispiel aus einem PyTorch Grundkurs, sind hilfreich
Zielgruppe:
  • Machine-Learning-Engineers und Data Scientists, die RL-Modelle in Simulationen entwickeln oder bewerten
  • Softwareentwicklerinnen und Softwareentwickler mit ML-Bezug, die Agentenlogik, Environments oder Trainingspipelines umsetzen
  • Forschungs-, Produkt- und Innovationsteams, die Entscheidungsprobleme als Reinforcement-Learning-Aufgabe strukturieren
  • MLOps- und Plattform-Teams, die RL-Experimente reproduzierbar ausführen, überwachen und dokumentieren
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha