Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen DQN-Agenten im Lagersimulator, der A* auf 100 Episoden schlägt, und dokumentiere Ergebnisse in einem Memo. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Schlage eine DQN-Lagerrouting-Policy so gegen den produktiven A*-Planer aus, dass eine fundierte Pilot-Empfehlung möglich wird.
Earning criteria — what you'll demonstrate
- Deep-Q-Learning mit Experience Replay und Target-Network sauber implementieren
- Einen fairen Vergleich zwischen einer gelernten Policy und einem klassischen Planer entwerfen
- Trainings-Instabilitäten anhand der Diagnose-Plots identifizieren und beheben
- Experimentelle Ergebnisse in eine geschäftliche Empfehlung übersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Deep Reinforcement Learning
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Ingenieur:in
Reproduzierbares Training, sauberes Logging und ein Benchmark gegen ein produktives Baseline-System sind genau die Aufgaben, die ML-Ingenieurinnen in den ersten Monaten in Robotik-Unternehmen übernehmen.
Dieses Projekt schärft
- pytorch
- experiment-design
- benchmarking
Angewandte:r KI-Wissenschaftler:in
Eine Methode aus der RL-Forschung in einen geschäftsentscheidungs-tauglichen Vergleich zu überführen ist der Kern angewandter KI-Arbeit in Industrieprojekten.
Dieses Projekt schärft
- reinforcement-learning
- deep-q-learning
- experiment-design
KI-Ingenieur:in
Den gesamten Loop von Simulator über Training bis zur Produkt-Empfehlung selbst zu bauen entspricht dem Alltag von KI-Ingenieurinnen in Frühphasen-Robotikunternehmen.
Dieses Projekt schärft
- simulation
- pytorch
- benchmarking
Noch eine Sache