Reinforcement Learning
Dieser Kurs führt in die Grundlagen und modernen Entwicklungen des Reinforcement Learning (RL) ein, einem Ansatz des maschinellen Lernens, bei dem Agenten durch Interaktion mit ihrer Umgebung lernen.

Übersicht
Reinforcement Learning (RL) ermöglicht es Agenten, durch Versuch und Irrtum zu lernen, was zu Durchbrüchen in den Bereichen Gaming und Robotik geführt hat. Dieser Kurs vermittelt die mathematischen Grundlagen von RL und zeichnet dessen Entwicklung nach. Die Studierenden befassen sich mit Schlüsselkonzepten wie MDPs, Wertemethoden, Policy Search, modellbasiertem und Deep RL. Zu den Übungen gehören die Implementierung von Algorithmen, die Feinabstimmung von Hyperparametern und die Bewertung von Agenten. Am Ende des Kurses wenden Sie Ihre neuen Fähigkeiten auf ein interessantes RL-Projekt Ihrer Wahl an.
Welche Themen werden behandelt?
- Mathematische Grundlagen des Reinforcement Learning (z. B. Markov-Entscheidungsprozesse)
- Implementierung von RL-Algorithmen (z. B. Q-Learning, Policy Gradient)
- Deep Reinforcement Learning mit neuronalen Netzen
- Entwurf und Bewertung von Agenten in simulierten Umgebungen
Was werde ich erreichen?
Bei Abschluss des Kurses sind Sie in der Lage…
- Verstehen und Erklären der Kernkonzepte und Algorithmen des Reinforcement Learning (RL)
- Implementieren und Optimieren von RL-Agenten in simulierten Umgebungen
- Analysieren und Begründen der theoretischen Grundlagen hinter RL-Ansätzen
- Anwenden von RL-Methoden zum Entwerfen, Trainieren und Bewerten von Agenten für ein ausgewähltes Projekt
Welche Voraussetzungen muss ich erfüllen?
- Python
- Deep Learning
- Grundlagen in KI und Maschinellem Lernen