Machine Learning & Predictive Analytics
Reinforcement Learning: Lernen durch Belohnung
Entwickle RL-Agenten mit stabilen Trainings, sauberem Reward Design und belastbarer Evaluation
- Dauer
- 3 Tage
- Format
- Präsenz oder Live-Online
- Preis
- 1.490 € netto
- Uhrzeiten
- 09:00-16:00 Uhr
- Gruppe
- max. 8 Personen
- Niveau
- Grundlagen
- Kursnummer
- KKC_0109
Aktuelle Termine und Online-Buchung: www.cmt.de/seminare/reinforcement-learning
Reinforcement Learning: Lernen durch Belohnung
Entwickle RL-Agenten mit stabilen Trainings, sauberem Reward Design und belastbarer Evaluation
Die wichtigsten Themen
MDP sauber modellieren
Q-Learning und DQN anwenden
PPO praktisch einsetzen
Rewards ohne Hacking designen
Trainings stabil evaluieren
Experimente reproduzierbar planen
Überblick In diesem Reinforcement Learning Training entwickelst du Agenten, die durch Belohnung lernen, Entscheidungen unter Unsicherheit treffen und ihr Verhalten über messbare Rückmeldungen verbessern. Der Schwerpunkt liegt...
In diesem Reinforcement Learning Training entwickelst du Agenten, die durch Belohnung lernen, Entscheidungen unter Unsicherheit treffen und ihr Verhalten über messbare Rückmeldungen verbessern. Der Schwerpunkt liegt nicht nur auf dem Nachbauen bekannter Algorithmen, sondern auf dem fachlich sauberen Vorgehen: Aufgaben als Markov Decision Process formulieren, Zustände und Aktionen sinnvoll wählen, Rewards begründen und Trainingsergebnisse kritisch bewerten.
Du arbeitest mit Q-Learning, SARSA, DQN sowie Policy-Gradient- und Actor-Critic-Ansätzen bis hin zu PPO. Dabei geht es immer um die Frage, wann welches Verfahren passt, woran instabile Trainings erkennbar sind und wie Experimente reproduzierbar dokumentiert werden. Reward Design, Debugging, Metriken, Seed-Management und Ablations werden so behandelt, dass du RL-Prototypen in simulierten Umgebungen systematisch entwickeln und verbessern kannst.
Das Seminar richtet sich an Personen mit Python- und Machine-Learning-Erfahrung. Falls dir noch methodische Grundlagen fehlen, ist der Python Machine Learning Grundkurs eine passende Vorbereitung. Für den größeren Kontext verwandter Verfahren findest du weitere Trainings in der Kategorie Machine Learning & Predictive Analytics.
Die Themen Markov Decision Processes modellieren · Zustände, Aktionen und Rewards · Episoden, Return und Discounting · Policy und Value Function · Exploration versus Exploitation · Dynamic Programming als Ausgangspunkt...
RL-Grundlagen und Problemformulierung
- Markov Decision Processes modellieren
- Zustände, Aktionen und Rewards
- Episoden, Return und Discounting
- Policy und Value Function
- Exploration versus Exploitation
Value-based Reinforcement Learning
- Dynamic Programming als Ausgangspunkt
- Monte Carlo und Temporal Difference
- Q-Learning und SARSA
- Eligibility Traces im Überblick
- Stärken und Grenzen tabellarischer Verfahren
Deep Reinforcement Learning mit DQN
- Deep Q-Networks aufbauen
- Experience Replay gezielt einsetzen
- Target Networks stabilisieren Training
- Trainingsinstabilität und Collapse erkennen
- Hyperparameter und Normalisierung
Policy Gradients und Actor-Critic
- REINFORCE und Baselines
- Varianzreduktion bei Gradienten
- Advantage und GAE
- Actor-Critic-Intuition
- PPO-Mechanik und Einsatzgrenzen
Reward Design, Safety und Risiken
- Reward Shaping ohne Reward Hacking
- Constraints und Penalties
- Safety Checks in Umgebungen
- Offline RL versus Online RL
- Datenqualität und Simulationsrisiken
Evaluation, Debugging und Praxisprojekt
- Trainingskurven richtig interpretieren
- Seed-Management und Reproduzierbarkeit
- Ablations und Vergleichsexperimente
- Sample Efficiency, Regret, Robustheit
- Gymnasium und eigene Environments
- Logging, Monitoring und Drift
Zielgruppe
- Machine-Learning-Engineers und Data Scientists, die RL-Modelle in Simulationen entwickeln oder bewerten
- Softwareentwicklerinnen und Softwareentwickler mit ML-Bezug, die Agentenlogik, Environments oder Trainingspipelines umsetzen
- Forschungs-, Produkt- und Innovationsteams, die Entscheidungsprobleme als Reinforcement-Learning-Aufgabe strukturieren
- MLOps- und Plattform-Teams, die RL-Experimente reproduzierbar ausführen, überwachen und dokumentieren
Das lernst du
- RL-Aufgaben als Markov Decision Process mit passenden Zuständen, Aktionen und Rewards formulieren
- Sicherer Umgang mit value-basierten Verfahren wie Q-Learning, SARSA und DQN
- Policy-Gradient- und Actor-Critic-Ansätze inklusive PPO fachlich einordnen und anwenden
- Reward Design begründen, typische Reward-Hacking-Muster erkennen und vermeiden
- Trainingsläufe mit Metriken, Seeds, Ablations und Logging reproduzierbar evaluieren
- Eigenständige Entwicklung eines lauffähigen RL-Prototyps in einer simulierten Umgebung
So arbeiten wir
- Kurze Theorie-Impulse mit direkter Überführung in Python-Code
- Geführte Hands-on-Übungen in simulierten RL-Umgebungen
- Implementationsbeispiele zu Q-Learning, DQN und PPO
- Debugging-Workshops anhand typischer Failure Modes
- Gemeinsame Auswertung von Metriken, Seeds und Trainingskurven
- Praxisprojekt mit Agent, Environment, Logging und Evaluation
Empfohlene Vorkenntnisse
- Solide Python-Kenntnisse, idealerweise auf Niveau eines Python Aufbaukurses
- Erfahrung mit Jupyter-Notebooks, NumPy oder vergleichbaren Python-Workflows
- Grundverständnis von Machine Learning, Modelltraining und Evaluation
- Kenntnisse neuronaler Netze, zum Beispiel aus einem PyTorch Grundkurs, sind hilfreich
Python Machine Learning Grundkurs (Für Python Entwickler)
Pytorch Grundkurs: Deep Learning mit MLP und CNN
Python Deep-Dive Kurs: Deep Learning, Neuronale Netze & Visualisierung
Data Science und Machine Learning - Einführung
Dein Fahrplan
Der erste Tag legt das Fundament für die Arbeit mit RL-Agenten. Behandelt werden Markov Decision Processes, Zustände, Aktionen, Rewards, Episoden, Return, Discounting, Policy und Value Function. Exploration versus Exploitation wird anhand typischer Fehlerbilder eingeordnet. Anschließend folgen erste Implementierungen mit Dynamic Programming, Monte Carlo, Temporal Difference, Q-Learning und SARSA.
Organisatorisches
Lernformate
Unsere Seminare bieten dir maximale Flexibilität: Du kannst zwischen Live-Online und Vor Ort in unseren modernen Schulungszentren im D-A-CH Raum wählen. Beide Formate garantieren dir die gleiche hohe Qualität und interaktive Lernerfahrung.
Schulungsarten
Wir bieten dir verschiedene Schulungsarten: Offene Seminare, Firmenseminare für Teams und Inhouse-Schulungen direkt bei dir vor Ort. So findest du genau das Format, das zu deinen Bedürfnissen passt.
Uhrzeiten
09:00-16:00 Uhr
Aktuelle Software
In unseren offenen Kursen arbeiten wir mit der aktuellsten Software-Version. So lernst du direkt mit den Tools und Features, die du auch in deinem Arbeitsalltag verwendest - mit klarem Alltagsbezug und zukunftsorientiert. Bei Inhouse- und Firmenschulungen bestimmt ihr die Version.
Deine Vorteile
Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Inklusivleistungen
Deine Teilnahme beinhaltet: Schulungsmaterial, Zertifikat, Verpflegung (bei Präsenzveranstaltungen) und persönliche Betreuung durch unsere Trainer und unser Orga-Team. Alles aus einer Hand - keine versteckten Kosten.
Lernen von Experten
Unsere Trainer sind zertifizierte und erfahrene Profis mit jahrelanger Berufserfahrung. Sie vermitteln dir in den Kursen nicht nur theoretisches Wissen, sondern teilen ihre Erfahrungen aus realen Projekten und helfen dir, das Gelernte direkt in deiner täglichen Arbeit anzuwenden. Das ist kein Werbeversprechen, sondern unser Anspruch. Am besten siehst du das in unseren Bewertungen, z.B. auch bei Google.
Keine Vorkasse
Du zahlst erst nach dem Seminar. Keine Vorkasse, keine Vorauszahlung - so kannst du sicher sein, dass du nur für das bezahlst, was du auch wirklich erhalten hast. Die Rechnung erhältst du erst nach Kursbeginn.
Max. 8 Teilnehmende
Wir setzen auf kleine Gruppen, damit du die Aufmerksamkeit bekommst, die du verdienst. So haben wir mehr Zeit für deine individuellen Fragen und können gezielt auf deine Bedürfnisse eingehen.
Termine und Preise
| Zeitraum | Ort | Preis (netto) |
|---|---|---|
| 14.12. - 16.12.2026 | München oder Live-Online | 1.490 € |
| 25.01. - 27.01.2027 | München oder Live-Online | 1.490 € |
| 15.02. - 17.02.2027 | München oder Live-Online | 1.490 € |
| 12.04. - 14.04.2027 | München oder Live-Online | 1.490 € |
| 31.05. - 02.06.2027 | München oder Live-Online | 1.490 € |
| 30.08. - 01.09.2027 | München oder Live-Online | 1.490 € |
Alle Preise zuzüglich gesetzlicher Mehrwertsteuer. Freie Plätze und weitere Termine findest du unter www.cmt.de/seminare/reinforcement-learning.
Firmenschulung und Inhouse
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine stimmen wir mit euch ab.
Dein Kontakt bei cmt
Michaela Berger
Telefon 0800 71 20000
michaela.berger@cmt.de
Termine & Buchung
Vor Ort
Online
Nicht der passende Termin dabei?
Wir finden eine Lösung: anderer Termin, mehrere Teilnehmer, Inhouse-Schulung oder individuelle Beratung.
Lieber gleich das ganze Team schulen?
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine nach Maß.
Wie die Planung abläuft, was ein Zuschnitt kostet und welche Themen wir abdecken, steht auf unserer Seite zu Inhouse Schulungen im Bereich Machine Learning.
Inhouse-Schulung
Wir kommen zu euch: diese Schulung maßgeschneidert in euren Räumen, für Unternehmen und Behörden.
- Inhalte exakt auf euch zugeschnitten
- Termine nach euren Bedürfnissen
- Günstiger ab mehreren Teilnehmern
- Vertraute Umgebung, kein Reiseaufwand
Firmen-Seminar
Exklusiv für dein Team an einem unserer Standorte oder Live-Online, individuell angepasst.
- Geschlossene Gruppe aus eurem Haus
- Individuelle Terminplanung
- An unseren Standorten oder Live-Online
- Angepasste Inhalte
Fragen und Antworten zu Reinforcement Learning: Lernen durch Belohnung
Was ist Reinforcement Learning und wann ist es sinnvoll?
Reinforcement Learning eignet sich für Entscheidungsprobleme, bei denen ein Agent durch Aktionen eine Umgebung beeinflusst und über Rewards Rückmeldung erhält. Im Seminar lernst du, solche Aufgaben als Markov Decision Process zu formulieren und zu prüfen, ob RL für den jeweiligen Use Case geeignet ist.
Welche Vorkenntnisse sind für das Reinforcement Learning Training erforderlich?
Erforderlich sind solide Python-Kenntnisse und ein Grundverständnis von Machine Learning. Erfahrung mit Jupyter-Workflows, NumPy und neuronalen Netzen hilft, da die Übungen direkt in Code umgesetzt werden. Falls diese Basis noch fehlt, bietet sich vorher der Python Machine Learning Grundkurs an.
Welche Reinforcement-Learning-Algorithmen werden behandelt?
Du arbeitest mit Q-Learning, SARSA, Deep Q-Networks, Policy-Gradient-Verfahren und Actor-Critic-Ansätzen. PPO wird als wichtiger praktischer Vertreter detailliert eingeordnet, einschließlich Mechanik, Stärken, Grenzen und typischer Trainingsprobleme.
Ist das Seminar eher mathematisch oder eher anwendungsorientiert?
Die notwendige Mathematik wird so behandelt, dass du Algorithmen fachlich einordnen und Entscheidungen begründen kannst. Der größere Anteil liegt auf Implementierung, Experimentdesign, Debugging, Reward Design und Evaluation in simulierten Umgebungen.
Geht es auch um Deep Reinforcement Learning?
Ja. Mit DQN und Actor-Critic-Verfahren behandelt das Seminar zentrale Grundlagen des Deep Reinforcement Learning. Dabei stehen stabile Trainings-Setups, Experience Replay, Target Networks, Metriken und typische Failure Modes im Mittelpunkt.
Welche Rolle spielen Reward Design und Reward Hacking?
Reward Design ist ein eigener Schwerpunkt. Du lernst, Rewards so zu formulieren, dass sie das gewünschte Verhalten fördern, ohne unerwünschte Abkürzungen zu belohnen. Dazu gehören Reward Shaping, Constraints, Penalties und Safety Checks.
Kann ich eigene Use Cases aus meinem Unternehmen einordnen?
Ja. Das Training vermittelt ein Vorgehen, mit dem du eigene Anwendungsfälle strukturierst: Problem als MDP beschreiben, geeignete Algorithmen auswählen, Experimente planen, Metriken definieren und Ergebnisse belastbar bewerten.
Brauche ich eigene Hardware oder Software-Lizenzen?
Nein. Falls erforderlich werden Geräte, VMs und Software bereitgestellt. Du brauchst kein eigenes Notebook und keine eigenen Lizenzen, um an den Übungen teilzunehmen.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs.
Passende Schulungen nach dem Kurs
Ähnliche Kurse
Machine Learning mit Python Grundkurs (Für Python Einsteiger)
Beyond Machine Learning: Was kommt danach?
Python mit Tensorflow: Grundkurs
DP-3014 Training: Implementieren einer Machine Learning-Lösung mit Azure Databricks (DP-3014-A)
AutoML Grundkurs
Unser Qualitätsversprechen: Wissen, das in der Praxis funktioniert
Aus der Praxis für die Praxis
Schluss mit theoretischem Ballast. Wir trainieren dich für reale IT-Herausforderungen, nicht für Multiple-Choice-Tests. Unsere Trainer vermitteln dir genau das Wissen, das am nächsten Montagmorgen im Job wirklich funktioniert.
Individuell statt "Schema F"
Deine Fragen passen nicht ins Standard-Skript? Bei uns schon. Wir verzichten auf starre Lehrpläne und geben deinen konkreten Projekt-Fragen Raum. Unsere Trainer passen die Inhalte flexibel an das an, was dich und dein Team aktuell weiterbringt.
Maximale Freiheit: Remote oder vor Ort
Lerne so, wie es in deinen Alltag passt - ohne Reise-Stress und Zeitverlust. Egal ob remote, hybrid oder präsent vor Ort: Wir garantieren dir ein nahtloses und effektives Lernerlebnis, egal von wo du dich zuschaltest.
Mit Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt - und wollen, dass du es auch bist. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Über 20.000 Unternehmen und Behörden vertrauen auf uns
