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