Kontakt
Kompetentes und unabhängiges Wissen für IT-Profis.
Konferenzen, Workshops und Webinare.
(3-tägiger iX-Workshop)
Neben dem überwachten (supervised) und unüberwachten (unsupervised) Lernen stellt das bestärkende Lernen bzw. das Reinforcement Learning die dritte Säule des maschinellen Lernens dar. Anfangs noch eher theoretischer Natur erfreut sich das bestärkende Lernen nun wachsender Beliebtheit und bedient Problemstellungen, für die andere Verfahren weniger gut geeignet sind. Ähnlich wie beim Deep Learning, ist die Technologie durch mehr Rechenleistung und moderne Algorithmen und Frameworks einem immer größeren Nutzerkreis zugänglich gemacht worden.
Zunächst noch eher als Spielerei angesehen und bestenfalls in Nischenanwendungen sinnvoll, werden immer mehr neue reale Verwendungsmöglichkeiten erkannt, die echten Mehrwert bieten. Insbesondere wenn es darum geht, eine optimale Strategie zur Umsetzung einer Aufgabe in einer bestimmten Umgebung zu erlernen, ist Reinforcement Learning das Werkzeug der Wahl. Besonders geeignet sind Anwendungen, die bereits auf Simulationen setzen. Hier ist die Umgebung klar definiert und es kann ein sog. Agent erstellt werden, der sich in dieser Umgebung bewegt und basierend auf einem Belohnungssystem eigenständig das beste Vorgehen lernt. Durch die Variation der Umgebungsparameter lernt der Agent, flexibel auf Herausforderungen zu reagieren. Im Gegensatz zu den anderen ML-Verfahren, ist der Agent so in der Lage eine gewisse "Weitsicht" zu entwickeln und dabei zu Gunsten von späteren, höheren Belohnungen oder stärkeren Verbesserungen auf kurzfristige Verbesserungen bzw. Belohnungen zu verzichten.
Typische Anwendungsfelder sind Optimierungsprobleme wie beispielsweise die Bewegungsoptimierung von Drohnen oder Robotern, Logistikoptimierung und Spiele-KIs wie AlphaZero und MuZero. Auch generative Verfahren für Konstruktionsplanung profitieren von den Möglichkeiten von RL. Oftmals entstehen dabei Lösungen, die intuitiv zunächst nicht greifbar aber dennoch sehr effizient sein können.
Passend zur Natur der Problemstellungen ist dieser Kurs eine Mischung aus Theorie und Praxis. Der theoretische Teil hilft beim Verständnis der Zusammenhänge und der Funktionsweise von Verfahren des Reinforcement Learnings. Der praktische Teil dient dazu, das Wissen bei den Teilnehmern zu verankern. Darin werden einschlägige Frameworks mit anschaulichen und manchmal auch verspielten Beispielen verwendet. Der Kurs wird mit einem Mini-Hackaton abgeschlossen, bei dem jeder Teilnehmer seinen eigenen Agenten entwirft und ihn in einem kleinen Wettbewerb gegen die Agenten der anderen Teilnehmer antreten lässt.
Lernziel
Bei diesem Workshop werden Ihnen Schlüsselkompetenzen vermittelt um Reinforcement Learning zu verstehen und praktisch einzusetzen. Sie erlernen die zugrundeliegenden Ideen des Reinforcement Learnings (RL) und des Deep Reinforcement Learnings (DRL) und können am Ende der Schulung einschätzen, wann ein Einsatz von RL potentiell sinnvoll ist. Durch das Workshop sind Sie im Stande, eigene Agenten zu entwerfen und zu testen. Sie sind damit in der Lage, RL und DRL auf reale Fragestellungen im eigenen Unternehmen anzuwenden.
Zielgruppe
Die Schulung richtet sich an Entwickler:innen und/oder Data Scientists, die in Reinforcement Learning und Deep Reinforcement Learning einsteigen wollen. Es werden Programmierkenntnisse vorausgesetzt. Grundwissen im Bereich des Machine Learning ist ebenfalls hilfreich.
Vorraussetzungen
Die Teilnehmerinnen und -nehmer dieses Workshops sollten mit Grundlagen der Programmierung vertraut sein. Grundkenntnisse der Programmiersprache Python sind von Vorteil und machen den Einstieg leichter, sind aber nicht zwingend erforderlich.
Bitte nutzen Sie für den Ticketkauf eine E-Mail-Adresse, auf die Sie freien Zugriff haben.
Inhalte (für mehr Details auf die einzelnen Punkte klicken)
Tag 1 - Basics
Kennenlernen
Werkzeuge & ML-Pipeline in Python
Machine Learning: Einführung und Übersicht
Reinforcement Learning: Einführung und Grundlagen
Modellierung eines RL-Problems
Tag 2 - RL Deep Dive
Reinforcement Learning Algorithmen
Deep Reinforcement Learning Algorithmen
Tag 3 - State of the Art
Inverse RL
Self-Play
Multiagent RL
Aktion:
Abschluss und Feedback
Trainer: Dr. Arthur Varkentin
promovierte 2018 in Physik und setzte sich im Rahmen seiner Doktorarbeit mit optischer Sensorik, Segmentierungs- und Klassifizierungsproblemen auseinander. Seit 2019 wirkt er bei der Novatec Consulting GmbH in den Bereichen Data Science, AI & ML mit und unterstützt Kunden aus Industrie und Wirtschaft bei der Umsetzung von neuen, KI-getriebenen Technologien. Daneben teilt er seine Erfahrungen und sein Wissen im Rahmen von Schulungen und Workshops mit Themen-Neulingen und alten Hasen gleichermaßen.
Leistungen Ihres Workshoptickets
Der Workshop ist auf 15 Teilnehmer:innen begrenzt.
Durchführung
Ist die Durchführung der Veranstaltung aufgrund höherer Gewalt, wegen Verhinderung eines Referenten, wegen Störungen am Veranstaltungsort oder aufgrund zu geringer Teilnehmerzahl (weniger als 50%) nicht möglich, werden die Teilnehmer spätestens 7 Tage vorher durch das heise Events-Team informiert.
Online - Workshop, Workshop-Dauer: jeweils 09:00 - 17:00 Uhr
Nehmen Sie jetzt unkompliziert an unserem Online-Workshop teil.
Selbstverständlich sind die Inhalte online die gleichen wie in dem Präsenz-Workshop. Sie können Fragen stellen und sich mit dem Referenten und den anderen Teilnehmern austauschen. Die begrenzte Teilnehmerzahl garantiert ein effektives und abwechslungsreiches Lernerlebnis – sicher und bequem in Ihrem Arbeitsumfeld.
Preise
Frühbucherpreis: € *
Standardpreis: €
Alle Preise inkl. MwSt
* 10% Frühbucherrabatt bis 4 Wochen vor Veranstaltungsbeginn
Kontakt
Haben Sie Fragen zu der Organisation oder der Veranstaltung? Gern beantworte ich Ihre Fragen per E-Mail!
Jennifer Rypalla // jery@heise.de