»Reinforcement Learning (RL)« ist ein Bereich des Maschinellen Lernens. Ziel dabei ist es, einem autonomen Agenten zu ermöglicht, eine Aufgabe durch Anwendung der Trial-and-Error zu bewältigen, ohne dabei konkret annotierte Trainingsdaten zu nutzen. Der Agent erhält keine Beispiele für korrekte Aktionen (z.B. wie beim Supervised Learning), sondern muss mit der Umgebung interagieren, um eine Strategie zu entdecken, die den erwarteten kumulativen Erfolg für die jeweilige Aufgabe maximiert.

Durch eine Kombination aus Theorie und konkreten Fallstudien aus der Industrie wird Ihnen dieses zweitägige Seminar ermöglichen, den Wert und die Auswirkungen dieser Technologie auf Ihr Unternehmen zu verstehen. Sie werden lernen, wie Sie mehrere Problemtypen nach dem RL-Paradigma formulieren und effiziente Algorithmen zur Lösung entwerfen (oder bzw. diese aus einer großen Basis auszuwählen). Darüber hinaus erhalten Sie durch die praktischen Beispiele ein fundiertes Verständnis darüber, wie Sie RL-Algorithmen in der Praxis unter Verwendung modernster Software-Frameworks anwenden können.

Durch die Teilnahme am Seminar werden Sie: die Grundlagen des Reinforcement Learning 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 in der Lage sein sich selbständig weiterzubilden.

Inhalte des Seminars »Reinforcement Learning«

Tag 1

Tag 2

Fortgeschrittene Themen:

• Imitation Learning und Inverses Reinforcement Learning
• Modellbasiertes Reinforcement Learning
• Simulation-zu-Realität-Transfer
  
• Interpretierbares Reinforcement Learning
  
• Ende-zu-Ende Reinforcement Learning

Best Practices:

• Reward Shaping und Curriculum-Learning
  
• Hyperparameter-Tuning
• Debugging von Reinforcement Learning Algorithmen
• Auswahl geeigneter Algorithmen für verschiedene Problemstellungen
• Hands-on Beispiele für ausgewählte Algorithmen
  
• Reinforcement Learning Beispiele in echten Industrie-Applicationen

Wer sollte teilnehmen?

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

RS. Sutton, AG. Barto: Reinforcement learning: An introduction (2^nd 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.