Reinforcement Learning: Lernen durch Belohnung

Baue Agenten, die Entscheidungen treffen, experimentieren und aus Feedback messbar besser werden. Zu den Schwerpunkten gehören RL-Grundlagen, Begriffe, Denkmodelle, Value-based Methoden: Von Tabular bis Deep, Policy Gradients und Actor-Critic, Reward Design und sichere Lernumgebungen, Experiment-Setup, Debugging, Evaluation und Praxisprojekte: Von der Idee zum lauffähigen Agenten.

Die Schulung richtet sich an Machine-Learning-Engineers und Data Scientists, Softwareentwicklerinnen und Softwareentwickler mit ML-Bezug, Forschungs- und Innovations-Teams in Produktentwicklung und MLOps- und Plattform-Teams, die RL-Prototypen betreuen sowie alle, die Agenten bauen wollen, die durch Belohnung lernen und Entscheidungen in Simulationen nachvollziehbar verbessern.

Solide Python-Grundlagen und Erfahrung mit Jupyter-Workflows. Grundverständnis von Machine Learning und neuronalen Netzen ist hilfreich.

Zu den Schwerpunkten gehören RL-Grundlagen, Begriffe, Denkmodelle, Value-based Methoden: Von Tabular bis Deep, Policy Gradients und Actor-Critic, Reward Design und sichere Lernumgebungen, Experiment-Setup, Debugging, Evaluation und Praxisprojekte: Von der Idee zum lauffähigen Agenten.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu Reward Design und sichere Lernumgebungen, Experiment-Setup, Debugging, Evaluation und Praxisprojekte: Von der Idee zum lauffähigen Agenten geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar richtet sich an alle, die Reinforcement Learning nicht als Blackbox behandeln wollen, sondern als Werkzeugkasten für kontrollierbare Experimente; Du startest mit einem klaren mentalen Modell: Was bedeutet es, wenn ein Agent in einer Umgebung handelt, welche Annahmen stecken in einem MDP, und wie hängen Return, Discounting,; Du lernst außerdem, typische RL-Probleme früh zu erkennen, zum Beispiel instabile Lernkurven, zu aggressive Exploration oder scheinbar gute Rewards ohne echtes Zielverhalten; Im nächsten Schritt baust du die wichtigsten Verfahren systematisch auf; Du nutzt Dynamic Programming als Referenz,

Ja. „Reward Design und sichere Lernumgebungen“ ist ein eigener Bestandteil der Schulung. Dazu gehören Reward Shaping ohne „Reward Hacking“, Constraints, Penalties, Safety Checks und Offline vs. Online RL: Datenqualität und Risiken.