Reinforcement Learning (RL) ist ein leistungsfähiger Zweig des maschinellen Lernens, der sich auf das Training intelligenter Agenten durch Interaktion mit ihrer Umgebung konzentriert. In diesem Kurs erfahren Sie, wie Agenten durch Versuch und Irrtum schrittweise effektive Verhaltensweisen entdecken. Beginnend mit grundlegenden Konzepten wie Markov-Entscheidungsprozessen und Multi-Armed Bandits arbeiten Sie sich durch dynamische Programmierung, Monte-Carlo-Methoden und Temporal-Difference-Lernen.

Erfahren Sie, wie Agenten durch Versuch und Irrtum optimale Entscheidungen treffen. Erkunden Sie die Grundlagen der Theorie des Reinforcement Learning. Sammeln Sie praktische Erfahrungen bei der Einrichtung und Ausführung einer Gymnasium-Umgebung.

Beherrschung des Trade-offs zwischen Exploration und Exploitation anhand des Multi-Armed-Bandit-Problems. Implementierung von Aktionswertschätzung, ε-gierigen, Upper-Confidence-Bound- und Gradient-Bandit-Methoden. Bewertung der Leistungsfähigkeit von Algorithmen bei simulierten Aufgaben zur Belohnungsmaximierung.

Dynamische Programmierung für modellbasiertes RL beherrschen. Entdecken, wie Bellman-Gleichungen zur Bewertung und Verbesserung von Politiken eingesetzt werden können. Implementierung von Policy- und Value-Iteration-Algorithmen. Untersuchung der generalisierten Policy-Iteration als theoretische Grundlage für modellfreie Methoden.

Beherrschung der Monte-Carlo-Methoden für modellfreies RL. Schätzung von Wertfunktionen und Ableitung optimaler Politiken aus vollständigen Episoden. Implementierung von On-Policy- und Off-Policy-Monte-Carlo-Kontrollalgorithmen. Entdeckung von Explorationsstrategien zur Optimierung des modellfreien Lernens.

Beherrschung des Zeitdifferenzlernens für modellfreies RL. Schätzung von Wertfunktionen aus unvollständigen Episoden mittels TD(0)-Updates. Implementierung der On-Policy-SARSA- und Off-Policy-Q-Learning-Algorithmen. Verständnis der Kombination von Monte-Carlo-Methoden und Zeitdifferenzlernen in n-Schritt-TD und TD(λ).

Herausforderung: Monte-Carlo-Methoden

Herausforderung

Awesome!

Herausforderung: Monte-Carlo-Methoden

Herausforderung