Reinforcement Learning (RL)

Recap der wichtigsten Themen des zweiten Tages

• Wiederholung der zentralen Konzepte von Neuronalen Netzen und Deep Learning

• Verständnis der Forwardpropagation und Backwardpropagation

• Loss Functions und ihre Rolle in Gradient Descent

• Diskussion über Anwendungen von CNNs für Bildklassifikation

• MLOps: Training, Testing, Inferencing, CI/CD

• Offene Fragen und Klarstellungen

Kapitel	Inhalte
Definitionen und Grundprinzipien (RL)	Konzepte, Agent, Umgebung, Belohnungen, Policy
Markov-Entscheidungsprozesse	Definition, Zustände, Aktionen, Wertfunktionen
Wertbasierte Methoden – Q-Learning	Theorie, Q-Tabelle, Deep Q-Networks (DQN)
Praxis: Q-Learning in OpenAI Gym	Implementierung mit Python