Reinforcement Learning

Aktuelles

Dozent
Prof. Dr. Stefan Harmeling

Studiengang
Master-Studiengang Informatik

Kreditpunkte
5 LP

Lehrveranstaltungen

• Vorlesung "Reinforcement Learning", 2 SWS,
  Mi. 14:30 - 16:00 Uhr, Hörsaal 6E
• 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