Kapitel 1: Einleitung des Kurses
  • Einleitung in den Kurs
  • Vorwort zu der Installation
  • Informationen zu der Software
  • Windows: Installation von Anaconda
  • Linux: Installation von Anaconda
  • Mac: Installation von Anaconda
  • Handbuch des Kurses
  • Kursmaterialien
  • Einrichtung von Anaconda und der Pakete
  • Optional: Einrichtung der GPU Software für TensorFlow
  • Installation und Einrichtung von VS Code
  • Die ersten Schritte mit VS Code
Kapitel 2: Grundlagen der Python-Programmierung
  • Vorwort zu der Python Programmierung
  • Variablen und Rechenoperationen
  • Abfragen und Logik
  • Listen
  • For- und While Schleife
  • Dictionaries
  • Enumerate und zip Funktion
  • Einführung in die Python Programmierung
  • Funktionen
  • Eigene Module
  • Numpy
  • Matplotlib
  • Einstieg in die Python Programmierung
  • Musterlösung: Einstieg in die Python Programmierung
  • List Comprehensions und Mehrdimensionale Listen
  • Listen: Index und Slices
  • Weiteres zu Numpy
  • Klassen
  • Type Annotations
  • f-Strings
Kapitel 3: Reinforcement Learning Grundlagen
  • Reinforcement Learning - Begriffe
  • Ein Beispiel: Wir sind der Agent - Teil 1
  • Markov Process (MP)
  • Markov Reward Process (MRP)
  • Ein Beispiel: Wir sind der Agent - Teil 2
  • Markov Decision Process (MDP)
  • Berechnung des Discounted Rewards
Kapitel 4: Einarbeitung in OpenAI - Gym
  • Vorwort: Installation von OpenAI Gym
  • Windows: Installation von OpenAI Gym
  • Action-Space und Observation-Space
  • Das erste Environment starten
  • Eine generische Agenten Klasse
  • Der Random Agent im Einsatz
  • Verschiedene Gym Spiele starten
  • Ein Atari Spiel selber spielen
Kapitel 5: Grundlagen des Deep Learnings
  • Machine Learning - Grundlagen
  • Supervised Learning - Grundlagen
  • Supervised Learning Intuition
  • Supervised Learning
  • Was sind Neuronale Netzwerke
  • Wie sind Neuronale Netzwerke aufgebaut
  • Neuronale Netzwerke Intuition
  • Wie lernt das Neuronale Netzwerk
  • Der MNIST Datensatz
  • Der Aufbau des Deep Neural Networks
  • Deep Neural Network - Programmieren
  • Das Deep Neural Network erweitern
  • Musterlösung: Das Deep Neural Network erweitern
  • Neuronale Netzwerke
Kapitel 6: Unsere erste KI
  • Das Cross-Entropy Learning
  • Der Aufbau des Agenten
  • Der Konstruktor und die Play-Funktion
  • Das Neuronale Netzwerk
  • Das Training - Teil 1
  • Das Training - Teil 2
  • Das MountainCar Spiel - Auswerten
Kapitel 7-1: Bellman Equation und Value Iteration
  • Bellman Equation und Q-Values
  • Value Iteration Algorithm - Intuition
  • Das FrozenLake Spiel - Eigene Überlegungen
  • Value Iteration Algorithm - Programmieren Teil 1
  • Value Iteration Algorithm - Programmieren Teil 2
  • Value Iteration Algorithm - Programmieren Teil 3
  • Die Q-Values und die Policy des VIA Agenten
  • Weiterführendes: Bellman Equation
Kapitel 7-2: Policy Iteration Algorithm
  • Policy Iteration Algorithm - Intuition
  • Policy Iteration Algorithm - Programmieren Teil 1
  • Policy Iteration Algorithm - Programmieren Teil 2
  • Policy Iteration Algorithm - Programmieren Teil 3
  • Policy Iteration Algorithm - Auswertung
Kapitel 8: Tabular Q-Learning
  • Tabular Q-Learning - Intuition
  • Tabular Q-Learning - Programmieren Teil 1
  • Tabular Q-Learning - Programmieren Teil 2
  • Tabular Q-Learning - Programmieren Teil 3
  • Die Q-Values und die Policy des Q-Tabluar Agenten
Kapitel 9: Convolutional Neural Networks
  • Convolutional Neural Networks
  • Convolutional Neural Networks - Programmieren
  • Convolutional Neural Networks
Kapitel 10: Deep Q-Networks