Reinforcement Learning: Hands-on

In diesem Workshop erfahren Sie, wie Maschinen komplexe Abläufe und vorausschauendes Handeln lernen können. Mit diesem Ansatz fliegen autonome Helikopter akrobatische Manöver und der Weltmeister in Go wurde geschlagen. Ein Trainingsdatensatz mit den richtigen Antworten wird nicht benötigt, auch kein hartkodiertes Spezialwissen. Der Ansatz nennt sich Reinforcement Learning (RL) und ist fast schon magisch.

Wir werden sehen wie sich eine praktische Fragestellung aus der realen Welt als Reinforcement-Learning-Problem formulieren lässt, welche Aufgaben für RL geeignet sind und für welche besser klassisches Machine Learning zum Zuge kommt. Mit einem begleitenden Python Notebook implementieren wir schrittweise alle Lösungselemente, sehen die Funktionsweise einer modernen RL Library, beleuchten die Rolle von neuronalen Netzen und loten Optimierungsmöglichkeiten aus.

Die Python Notebooks sind auf Colab gehostet. Sie benötigen also lediglich einen Laptop mit einem aktuellen Chrome-Browser. Gerne diskutieren wir auch gemeinsam von Teilnehmerinnen und Teilnehmern mitgebrachte Anwendungsideen.

Ablauf:

* Einführung in die Konzepte von Reinforcement Learning.
* Fallbeispiel: Anwenden der eingeführten Konzepte
* Vertrautheit und Arbeiten mit Colab
* Anwenden des Fallbeispiel auf OpenAI Gym
* Trainieren des Fallbeispiels und Interpretation der Ergebnisse
* Definition des zweiten Fallbeispiels
* Konkretes Umsetzen
* Formulierung als Reinforcement-Learning-Problem
* Implementieren, Trainieren und Bewerten
* Einführung in die algorithmische Grundlagen
* Fallbeispiel aus der Industrie
* Abgrenzung von Reinforcement Learning: wo einsetzen und wo nicht?

Vorkenntnisse

Basiskenntnisse in Programmierung und ein grundsätzliches Verständnis von neuronalen Netzen. Die Implementation erfolgt in Python, OpenAI Gym und TensorFlow. Spezifische Vorkenntnisse dazu sind aber keine Voraussetzung, um dem Workshop folgen zu können.

Lernziele

• Wie funktioniert Reinforcement Learning?
• Was sind die Voraussetzungen, um es anzuwenden?
• Wie wird es konkret angewandt?
• Aufbau eines aktuellen RL-Frameworks
• Hands-on Implementierung

 

Speaker

 

Oliver Zeigermann
Oliver Zeigermann ist Entwickler, Architekt, Berater und Coach. Oliver hat über Jahrzehnte in vielen unterschiedlichen Sprachen und mit vielen Technologien Software entwickelt. In den letzten Jahren ist er wieder tiefer in den Bereich Machine Learning eingestiegen. Er knüpft damit an sein Studium der Künstlichen Intelligenz in den 90er-Jahren an. Er ist Autor des Manning Video-Kurses "Deep Learning Crash Course" und Co-Autor des Buchs "Machine Learning – kurz & gut" das bei O’Reilly erschienen ist. Mehr unter http://zeigermann.eu/.

Christian Hidber
Christian Hidber arbeitet bei bSquare als Consultant mit Fokus auf Machine Learning, .Net und Azure. Nach seinem Mathematikstudium doktorierte er an der ETH Zürich und arbeitete als Postdoc am International Computer Science Institute in Berkeley (USA).

Gold-Sponsor

Novatec

Silber-Sponsor

inovex

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden