Reinforcement Learning im industriellen Einsatz: Von der Simulation zur realen Welt

Modul 01: Einleitung und Grundlagen des Reinforcement Learning - Begriffsdefinition und Motivation für den Einsatz in der Industrie - Vergleich zu übrigen ML-Methoden - Grundlegende Konzepte: Agent, Environment, Reward, Policy - Überblick über typische Algorithmen (Q-Learning, DQN, PPO) Modul 02: Von der Simulation zur realen Welt - Reinforcement Learning in Simulationsumgebungen - Transfer von Modellen auf reale Systeme - Herausforderungen im industriellen Kontext (Sicherheit, Datenknappheit, Echtzeit) - Best Practices und Beispiele aus der Praxis Modul 03: Technische Umsetzung und Tooling - Frameworks für Reinforcement Learning: Stable Baselines3, Ray RLlib - Einbindung in industrielle Softwarelandschaften - Simulationsumgebungen wie OpenAI Gym und Gazebo - Live-Coding: Trainingsloop mit Stable Baselines3 Modul 04: Evaluierung und Optimierung - Metriken zur Bewertung von RL-Modellen - Hyperparameter-Tuning - Exploration vs. Exploitation balancieren - Kontinuierliches Lernen und Modell-Updates Modul 05: Praxisbeispiel aus der Industrie - Vorstellung eines realen Anwendungsfalls - Architektur und Datenfluss - Lessons Learned und Erfolgsfaktoren - Diskussion und Fragerunde

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwepunkt KI, langjährige Branchen- und Projekterfahrung

Zielgruppe

Ingenieure und technische Fachkräfte in der Industrie, die Machine Learning bereits grundlegend verstehen und Reinforcement Learning praktisch in der Prozessoptimierung oder Anlagensteuerung einsetzen möchten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Grundkenntnisse im maschinellen Lernen sowie Grundkenntnisse in Python.

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer