Reinforcement Learning
Diese Reihe bietet eine Übersicht über Reinforcement Learning, eine Art des Machine Learning mit dem Potenzial, einige Aufgaben in Verbindung mit Regelungssystemen zu lösen, die mit herkömmlichen Techniken sehr schwierig sind.
Wir behandeln die Grundlagen des Reinforcement-Problems und wie es sich von herkömmlichen Regelungstechniken unterscheidet. Wir zeigen, warum neuronale Netze zur Darstellung unbekannter Funktionen verwendet werden und wie der Agent Belohnungen aus der Umgebung zu ihrem Training nutzt.
Am Ende dieser Reihe werden Sie besser auf folgende Fragen vorbereitet sein:
- Was ist Reinforcement Learning und warum sollte ich es in Betracht ziehen, wenn ich mein Regelungsproblem löse?
- Wie richte ich das Problem des Reinforcement Learning ein und löse es?
- Was sind einige der Vorteile und Nachteile von Reinforcement Learning im Vergleich zu einem traditionellen Regelungsansatz?
Teil 1: Was ist Reinforcement Learning?
Ein Überblick über Reiforcement Learning aus der Perspektive des Ingenieurs. Reinforcement Learning ist eine Art des Machine Learning, die das Potenzial hat, einige schwierige Regelungsprobleme zu lösen.
Umgebung und Belohnungsfunktionen verstehen
In diesem Video bauen wir auf unserem Verständnis der Grundlagen des Reinforcement Learning auf und gehen näher auf den Ablauf ein. Wie ist die Umgebung beschaffen? Wie fungieren die Belohnungsfunktionen als Anreiz für den Agenten? Wie sind die Richtlinien strukturiert?
Einführung in Reinforcement-Learning-Algorithmen und Policys für neuronale Netze.
Das Problem des gehenden Roboters
Anwendung des Reinforcement Learning in der Robotik, insbesondere für zweibeinige, gehende Roboter.
Verstärkungslernen Überwinden der praktischen Herausforderungen des Reinforcement Learning
Beim Reinforcement Learning für Produktionssysteme tauchen mehrere Probleme auf und es gibt Mittel. sie zu entschärfen. Dieses Video behandelt die Schwierigkeiten, erlernte Lösungen zu verifizieren und was Sie dagegen tun können.
Eine Einführung in das Multi-Agent Reinforcement Learning
Erfahren Sie, was sich hinter Multi-Agent Reinforcement Learning verbirgt und welche Herausforderungen es zu bewältigen gilt.
Die Vorteile des modellbasierten Reinforcement Learning (Verstärkungslernen)
Vergleichen Sie Ansätze des modelllosen und modellbasierten Verstärkungslernens und erfahren Sie, welche Methode für welche Situation am besten geeignet ist.
Reinforcement Learning auf Hardware
Lernen Sie anhand verschiedener Ansätze, wie Sie Reinforcement Learning nutzen können, um Steuerungsrichtlinien auf Hardware zu trainieren und einzusetzen.
