Reinforcement Learning

Der intellektuelle Einstieg in das Themengebiet ist technisch anspruchsvoll. Die in der Arbeit vorgestellten Anwendungen bieten drei Wege, die diesen erleichtern sollen.

  • Die Visualisierung veranschaulicht erstens die Funktionsweise von neuronalen Netzwerken. In separaten Fenstern werden die Netzwerkarchitektur abgebildet und die Ausgabewerte in Echtzeit aktualisiert dargestellt. Farblich umgesetzt wurde dies durch unterschiedliche Grauwerte der Neuronen abhängig von den aktuell propagierten Werten und roten für positive bzw. blauen für negative Linien, die abhängig vom Absolutwert ihre Dicke skalieren und die Gewichtungen zwischen Neuronen innerhalb des Netzwerkes repräsentieren.
  • Zweitens können mit RI in Methoden und Computerspielen Lernfortschritte in Echtzeit verfolgt werden, da die Fähigkeiten des Agenten unmittelbar visuell erkennbar sind.
  • Und drittens können durch paralleles Training die Fähigkeiten verschiedener Agenten miteinander anschaulich verglichen werden. Dargestellt wird dies durch eine Parameteradjustierung auf einer graphischen Oberfläche sowie Graphen, die den Fortschritt numerisch abbilden.

Die in der Arbeit von Jonas Wild vorgestellte Applikation versucht ein ausgewogenes Verhältnis zwischen größtmöglicher Simplifizierung und möglichst flexibler Anpassungs- und Erweiterungsmöglichkeiten zu finden. Mit wachsender Komplexität von maschinellem Lernen mit künstlichen neuronalen Netzwerken dürfte das erarbeitete Konzept auch künftig die Möglichkeit bieten, den Einstieg in die Welt von RI und KI spielerisch und einfach nachvollziehbar zu finden.

20.Juli 2020 
Bachelorarbeit von Jonas Wild
Betreuer: Prof. Dr. Hans-Peter Beise

back-to-top nach oben