In uralten Spielen wie Schach oder Go knnen sich die brillantesten Spieler verbessern, indem sie die von einer Maschine produzierten Strategien studieren. Robotische Systeme ben ihre Bewegungen selbst. In Arcade Games erreichen lernfhige Agenten innerhalb weniger Stunden bermenschliches Niveau. Wie funktionieren diese spektakulren Algorithmen des bestrkenden Lernens? Mit gut verstndlichen Erklrungen und bersichtlichen Beispielen in Java und Greenfoot knnen Sie sich die Prinzipien des bestrkenden Lernens aneignen und in eigenen intelligenten Agenten anwenden. Greenfoot (M.Klling, King's College London) und das Hamster-Modell (D.Bohles, Universitt Oldenburg) sind einfache aber auch mchtige didaktische Werkzeuge, die entwickelt wurden, um Grundkonzepte der Programmierung zu vermitteln. Wir werden Figuren wie den Java-Hamster zu lernfhigen Agenten machen, die eigenstndig ihre Umgebung erkunden.
Der Inhalt

• Bestrkendes Lernen als Teilgebiet des Maschinellen Lernens
• Grundbegriffe des Bestrkenden Lernens
• Optimale Entscheidungen in einem bekannten Umweltsystem
  - dynamische Programmierung
  - rekursive Tiefensuche
  
• Entscheiden und Lernen in einem unbekannten Umweltsystem
  - Monte Carlo-Evaluationen und Monte Carlo-Baumsuche (MCTS)
  - Q- und Sarsa Learning, Eignungspfade, Dyna-Q - Policy Gradient und Actor-Critic

• neuronale Netze als Schtzer fr Zustandsbewertungen und Aktionspreferenzen
  
• Werden digitale Agenten bald intelligenter als Menschen sein?
• Leitbilder in der K.I.

Die Zielgruppen

• Fortbildung fr Lehrkrfte, Dozenten, die Einblicke in die Programmierung von lernfhigen Agenten bekommen mchten
• Techniker, Informatiker, die ML-Algorithmen besser verstehen wollen
• Programmierer, die Lernalgorithmen selbst implementieren wollen
• Schler oder Studierende, die sich mit maschinellem Lernen und intelligentenAgenten beschftigen

Der AutorUwe Lorenz ist nach seinem Studium der Informatik und Philosophie mit Schwerpunkt knstliche Intelligenz und maschinelles Lernen an der Humboldt-Universitt in Berlin und einigen Jahren als Projektingenieur derzeit als Gymnasiallehrer fr Informatik und Mathematik ttig, - seit seinem Erstkontakt mit Computern Ende der 80iger Jahre hat ihn das Thema Knstliche Intelligenz nicht mehr losgelassen.

In uralten Spielen wie Schach oder Go k nnen sich die brillantesten Spieler verbessern, indem sie die von einer Maschine produzierten Strategien studieren. Robotische Systeme ben ihre Bewegungen selbst. In Arcade Games erreichen lernf hige Agenten innerhalb weniger Stunden bermenschliches Niveau. Wie funktionieren diese spektakul ren Algorithmen des best rkenden Lernens? Mit gut verst ndlichen Erkl rungen und bersichtlichen Beispielen in Java und Greenfoot k nnen Sie sich die Prinzipien des best rkenden Lernens aneignen und in eigenen intelligenten Agenten anwenden. Greenfoot (M.K lling, King's College London) und das Hamster-Modell (D.Bohles, Universit t Oldenburg) sind einfache aber auch m chtige didaktische Werkzeuge, die entwickelt wurden, um Grundkonzepte der Programmierung zu vermitteln. Wir werden Figuren wie den Java-Hamster zu lernf higen Agenten machen, die eigenst ndig ihre Umgebung erkunden.