Zum Inhalt springenZur Suche springen

Reinforcement Learning

Aktuelles

Dozent
Prof. Dr. Stefan Harmeling

Studiengang
Master-Studiengang Informatik

Kreditpunkte
5 LP

Lehrveranstaltungen

  • Vorlesung "Reinforcement Learning", 2 SWS,
    Mo. 14:30 - 16:00 Uhr, Hörsaal 5D
  • Übung, 2 SWS, Di. 10:30 - 12:00 Uhr, Seminarraum 25.12.01.51

Inhalte

  • The reinforcement learning problem
  •  Multi-armed bandits
  • Markov Decision processes
  • Dynamic programming
  • Monte Carlo Methods
  • Temporal-difference learning
  • On- and off-policy methods
  • Elligibility traces
  • Policy gradients

Lernergebnisse/Kompetenzen

 

Studierende sollen nach Absolvierung der Lehrveranstaltung:

  • die theoretischen Grundlagen des Reinforcement Learnings verstehen und erklären können, und
  • Algorithmen des Reinforcement learning implemetieren und anwenden können.

Empfohlene Literatur

  • Richard Sutton, Andrew Barto, "Reinforcement Learning: An Introduction", 2018, MIT press, draft online available

Verwendbarkeit des Moduls

  • Wahlpflichtbereich Praktische oder Technische Informatik
  • Schwerpunktbereich
  • Individuelle Ergänzung
  • Anwendungsfach für den Ergänzungsbereich im Master-Studiengang Mathematik

Teilnahmevoraussetzungen

Bachelor-Studierende müssen folgende Module erfolgreich abgeschlossen haben:

  • "Programmierung"
  • "Rechnerarchitektur"
  • "Algorithmen und Datenstrukturen"
  • "Theoretische Informatik"
  • Hilfreich ist erfolgreicher Abschluss der Mathematik Module:
    "Lineare Algebra", "Analysis", "Stochastic", "Numerik" und "Knowledge Discovery in Databases"

Empfohlene Vorkenntnisse

  • "Machine Learning"
  • "Lineare Algebra", "Analysis", "Stochastik", "Numerik"

Voraussetzungen für die Vergabe von Kreditpunkten

  • Aktive Teilnahme an den Übungen
  • Erfolgreiches Bearbeiten der Übungsaufgaben
  • Abschließende Prüfung

Häufigkeit des Angebots, modulare Schiene

Etwa alle zwei Jahre

Modulbeauftragte und hauptamtliche Lehrende

Prof. Dr. Stefan Harmeling

Verantwortlichkeit: