Im Anschluss an diese Maßnahme können Sie als Deep Reinforcement Learning Specialist in verschiedenen Anwendungsfeldern der Künstlichen Intelligenz arbeiten. Sie planen und implementieren Deep Learning-Modelle, speziell im Bereich des Reinforcement Learnings, unter Einsatz von Python und TensorFlow. Sie sind in der Lage, neuronale Netzwerke zu entwickeln und deren Funktionalität durch Projektarbeiten zu vertiefen. Darüber hinaus beherrschen Sie Methoden des Prompt Engineerings sowie effektive Lern- und Prüfungsstrategien, die Ihnen in der praxisorientierten Umsetzung helfen.
- Einführung in Reinforcement Learning
- Agenten und Umgebungen
- Markov-Entscheidungsprozesse (MDP)
- Q-Learning und SARSA
- Deep Reinforcement Learning
Grundlagen und Implementierung von neuronalen Netzen
- Einführung in neuronale Netze
- Grundprinzipien und Architektur von neuronalen Netzen
- Aktivierungsfunktionen und ihre Bedeutung
- Verlustfunktionen und Optimierungsalgorithmen
- Grundlagen des Trainings von neuronalen Netzen
Deep Learning Techniken
- Grundlagen des Deep Learning
- Backpropagation: Grundlagen und Anwendung
- Regularisierung und Vermeidung von Overfitting
- Convolutional Neural Networks (CNN) und Faltungsschichten
- Rekurrente neuronale Netze für variable Datenstrukturen
- Wort-Embeddings: Bedeutung und Anwendung
Machine Learning Grundlagen
- Einführung in Machine Learning
- Arten des Machine Learning
- Datenvorbereitung für Machine Learning
- Training und Auswahl eines Vorhersagemodells
- Modellbewertung und Hyperparameter-Tuning
- Verwendung von Scikit-Learn für Klassifikationen
Entwicklung mit Python
- Einführung: Algorithmen und Python-Grundlagen
- Variablen und Zuweisungen
- Kontrollstrukturen: if, else, elif
- Schleifen: for und while
- Funktionen definieren und aufrufen
- Fehlerbehandlung mit try und except
Deep Reinforcement Learning Implementierung
- Implementierung von Reinforcement Learning mit Python
- Installation und Einrichtung von TensorFlow
- Grundlegende Verwendung von TensorFlow
- Verwendung von Keras
- Erstellen von Machine-Learning-Modellen mit Keras
Adaptive Prompt-Techniken
- Effektive Prompts erstellen
- Adaptive Prompt-Optimierung
- Kombination von Prompting-Techniken
- Zero-Shot, One-Shot, Few-Shot Learning
- Chain-of-Thought (CoT) Prompting
- Interaktive & iterative Prompts
Projektmanagement mit Notion
- Grundlagen und Benutzeroberfläche
- Datenbanken in Notion: Tabellen, Filter und Sortierung
- Aufgaben- und Projektmanagement mit Notion
- Erstellen und Verwalten von Seiten und Blöcken
- Personalisierung und Automatisierung in Notion