Illustration of the thought processes in the brain

Seminarreihe

Reinforcement Learning

Seminarreihe Reinforcement Learning

Das Seminar

Reinforcement Learning (RL) ist ein weiterer Schritt in Richtung echter KI. In RL lernt ein Agent, welche Aktionen in bestimmten Situationen zu ergreifen sind, um ein gegebenes Problem zu lösen. Im Gegensatz zu Supervised Learning werden dem Agent hier nicht die beschrifteten Beispielen für die richtige Aktion zur Verfügung gestellt. Stattdessen muss der Agent eine Strategie finden, die die Belohnung durch Versuch und Irrtum maximiert.

Das an der Universität angebotene "Reinforcement Learning" -Praktikum ist ein vertiefender Kurs zu diesem Thema. Durch einen spannenden Mix aus Theorie, praktischen Übungen und einem abschließenden Projekt bietet das Praktikum sowohl die notwendigen theoretischen Grundlagen als auch praktische Erfahrungen mit modernen Algorithmen auf diesem Gebiet.

Die beiden nachfolgend ausführlich beschriebenen Industry Labs konzentrieren sich auf die Anwendung von Reinforcement Learning in realen Anwendungsfällen aus der Industrie

 

Auf einen Blick

Was ist Reinforcement Learning (RL) und wie kann Ihr Unternehmen davon profitieren?

Das Fraunhofer IIS bietet zwei Seminare zu folgenden Themenbereichen an: (1) Grundlagen des Reinforcement Learnings und (2) Vertiefende Themen des Reinforcement Learnings, damit Sie diese Fragen beantworten können. Durch eine Kombination aus Theorie und Fallbeispielen aus der Industrie können Sie in den Seminaren den Wert sowie die Auswirkungen dieser Technologie in Ihrem Unternehmen verstehen. Mit Hilfe von praktischen Übungen lernen Sie, verschiedene Problemstellungen in das RL-Paradigma umzuformulieren und effiziente Algorithmen zu entwickeln (oder aus einer großen Basis auszuwählen), um sie zu lösen. Darüber hinaus erhalten Sie durch die Implementierung von RL-Lösungen in realen Anwendungsfällen in den "Projekt" -Sitzungen ein fundiertes Verständnis darüber, wie RL-Algorithmen in der Praxis unter Verwendung verfügbarer Software-Frameworks nach dem neuesten Stand der Technik angewendet werden.

 

Lernziele und Kompetenzen

Durch die Teilnahme an den Seminaren werden Sie:

  • die Grundlagen des Reinforcement Learnings verstehen
  • lernen, wie Sie ein gegebenes Problem im Rahmen des Reinforcement Learning-Paradigmas formulieren
  • die verschiedenen Arten von Reinforcement Learning-Algorithmen kennenlernen
  • Reinforcement Learning Algorithmen für reale Probleme mit modernster Software implementieren
  • erfahren, wie Sie Reinforcement Learning in realen autonomen Systemen anwenden können

 

Inhalte der Seminare

Seminar 1: Grundlagen des Reinforcement Learnings

Tag 1: Theoretische Grundlagen   Tag 2: Projekt und Best Practice
  • Markov Decision Processes und dynamische Programmierung
  • Monte-Carlo- und Temporal Difference Methoden
  • Q-Learning
  • Value Function Approximation
  • Praktische Übungen
  • DQN-Algorithmus
  • Praktisches Projekt:
    • Definieren von  state/action spaces und Belohnungsfunktionen realer Probleme
    • Bewerten der Lernfortschritt eines autonomen Agenten
    • Befolgen von Best Practices für stabiles Lernen
    • Arbeiten an State-of-the-Art-Tools für (Deep) Reinforcement Learning

 

Seminar 2: Fortgeschrittene Themen im Reinforcement Learning

Tag 1: Deep Reinforcement Learning in der Praxis  
  • Deep Reinforcement Learning:
    • Policy Search und Actor Critic Methoden
    • Modellbasiertes Reinforcement Learning
    • Ende zu Ende Reinforcement Learning
    • Reinforcement Learning für reale autonome Systeme
  • Praktisches Projekt
    • Lösen Sie echte Anwendungsfälle aus der Industrie
    • Vergleichen Sie verschiedene Ansätze des Deep Reinforcement Learning

 

Wer sollte teilnehmen?

  • Industriemanager mit strategischer Entscheidungsverantwortung
  • Schlüsselmitglieder von internen F & E-Teams
  • Algorithmus-Ingenieure und Programmierer
  • Industrieberater
Preis: 1200 €

Anmeldung

Anmeldung Seminar Reinforcement Learning

Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Rechnungsadresse falls abweichend
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.


Einwilligung zur Speicherung und Nutzung Ihrer personengebundenen Daten und zum Erhalt von regelmäßigen Informationen (per E-Mail, Newsletter oder Postwurfsendung) zum Forschungs- und Leistungsangebot vom Fraunhofer IIS. Ihre Daten behandeln wir selbstverständlich vertraulich und geben sie nicht an Dritte weiter.

Die Einwilligungserklärung erfolgt freiwillig und kann jederzeit widerrufen werden. Nach Bestätigung Ihrer Anmeldung zur Veranstaltung erhalten Sie eine weitere Email zu Bestätigung Ihrer Anmeldung zum Fraunhofer IIS Info Service.


Einwilligung zur Speicherung und Nutzung Ihrer personengebundenen Daten und zum Erhalt von regelmäßigen Informationen (per E-Mail, Newsletter oder Postwurfsendung) zum Forschungs- und Leistungsangebot vom Fraunhofer IIS. Ihre Daten behandeln wir selbstverständlich vertraulich und geben sie nicht an Dritte weiter.

Die Einwilligungserklärung erfolgt freiwillig und kann jederzeit widerrufen werden. Nach Bestätigung Ihrer Anmeldung zur Veranstaltung erhalten Sie eine weitere Email zu Bestätigung Ihrer Anmeldung zum Fraunhofer IIS Info Service.

Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.

Literatur

RS. Sutton, AG. Barto: Reinforcement learning: An introduction (2nd edition, in progress), Cambridge: MIT press, 2018.

C. Szepesvári: Algorithms for reinforcement learning, Morgan and Claypool, 2009.

DP. Bertsekas: Dynamic programming and optimal control (Vol I and II), Belmont, MA: Athena scientific, 2017.

A. Geramifard, et. al.: A tutorial on linear function approximators for dynamic programming and reinforcement learning, Foundations and Trends® in Machine Learning, 2013.

I. Goodfellow, Y. Bengio, A. Courville: Deep learning, Cambridge: MIT press, 2016.

V. Mnih, et. al., Human-level Control through Deep Reinforcement Learning, Nature, 2015.

TP. Lillicrap, et. al.:  Continuous control with deep reinforcement learning, arXiv preprint arXiv:1509.02971, 2015.

MP. Deisenroth, G. Neumann, J. Peters: A Survey on Policy Search for Robotics, Foundations and Trends® in Robotics, 2014.

Weitere Seminare

Web Seminar Maschinelles Lernen

Das Web Seminar zum Thema maschinellem Lernen vermittelt die erfolgreiche Umsetzung von Machine Learning Projekten für die Industrie in einem professionellen Umfeld.