Lehrinhalte
• Markov Decision Process
• Value Functions, Bellman Operator, Policies
• Dynamic Programming
• Monte-Carlo Reinforcement Learning
• Temporal Difference Learning
• Tabular Reinforcement Learning
• Reinforcement Learning with Function Approximation
• Deep Q-Learning
• On-policy and off-policy deep actor-critic
• Model-based Reinforcement Learning
• Intrinsic Motivation
Literatur
Reinforcement Learning: An Introduction, Sutton and Barto, 2nd Edition: [url]http://incompleteideas.net/book/RLbook2018.pdf[/url]
Voraussetzungen
Gute Programmierkenntnisse in Python.
Vorherige Belegung der Vorlesung Statistical Machine Learning ist hilfreich aber nicht zwingend erforderlich
Offizielle Kursbeschreibung
[b]Motivation:[/b]
"Die grundlegende Herausforderung im Bereich der künstlichen Intelligenz und des maschinellen Lernens besteht darin, zu lernen, wie man unter Unsicherheit gute Entscheidungen trifft" - Emma Brunskill.
Reinforcement Learning (RL) ist ein Bereich des maschinellen Lernens, der sich mit der Frage beschäftigt, wie intelligente Agenten in einer Umgebung agieren sollten, um die kumulativen Belohnungen zu maximieren. RL ist eines der drei grundlegenden Paradigmen des maschinellen Lernens, neben dem überwachten Lernen und dem unüberwachten Lernen. RL unterscheidet sich vom überwachten Lernen dadurch, dass keine beschrifteten Eingabe-/Ausgabepaare vorgelegt werden müssen und dass suboptimale Aktionen nicht explizit korrigiert werden müssen. Stattdessen liegt der Schwerpunkt auf der Suche nach einem Gleichgewicht zwischen Erkundung (Neuland) und Ausnutzung (des vorhandenen Wissens).
[b]Über diesen Kurs:[/b]
Dieser Kurs führt die Studierenden durch die Grundlagen der Methoden des Reinforcement Learning bis hin zu den jüngsten Fortschritten des Deep Reinforcement Learning. Am Ende dieses Kurses werden die Studierenden über ein solides Wissen auf diesem Gebiet verfügen und in der Lage sein, Probleme mit verschiedenen RL Algorithmen zu lösen. Dieser Kurs dient als hervorragender Hintergrund für Personen, die selbstständig RL-forschung betreiben wollen, z.B. im Rahmen einer Bachelor- oder Masterarbeit.
Zusätzliche Informationen
Die Präsenzvorlesung wird von einer Online-Problemlösungssitzung (Kodierübungen) und einer Fragerunde begleitet.
Online-Angebote
moodle
• Markov Decision Process
• Value Functions, Bellman Operator, Policies
• Dynamic Programming
• Monte-Carlo Reinforcement Learning
• Temporal Difference Learning
• Tabular Reinforcement Learning
• Reinforcement Learning with Function Approximation
• Deep Q-Learning
• On-policy and off-policy deep actor-critic
• Model-based Reinforcement Learning
• Intrinsic Motivation
Literatur
Reinforcement Learning: An Introduction, Sutton and Barto, 2nd Edition: [url]http://incompleteideas.net/book/RLbook2018.pdf[/url]
Voraussetzungen
Gute Programmierkenntnisse in Python.
Vorherige Belegung der Vorlesung Statistical Machine Learning ist hilfreich aber nicht zwingend erforderlich
Offizielle Kursbeschreibung
[b]Motivation:[/b]
"Die grundlegende Herausforderung im Bereich der künstlichen Intelligenz und des maschinellen Lernens besteht darin, zu lernen, wie man unter Unsicherheit gute Entscheidungen trifft" - Emma Brunskill.
Reinforcement Learning (RL) ist ein Bereich des maschinellen Lernens, der sich mit der Frage beschäftigt, wie intelligente Agenten in einer Umgebung agieren sollten, um die kumulativen Belohnungen zu maximieren. RL ist eines der drei grundlegenden Paradigmen des maschinellen Lernens, neben dem überwachten Lernen und dem unüberwachten Lernen. RL unterscheidet sich vom überwachten Lernen dadurch, dass keine beschrifteten Eingabe-/Ausgabepaare vorgelegt werden müssen und dass suboptimale Aktionen nicht explizit korrigiert werden müssen. Stattdessen liegt der Schwerpunkt auf der Suche nach einem Gleichgewicht zwischen Erkundung (Neuland) und Ausnutzung (des vorhandenen Wissens).
[b]Über diesen Kurs:[/b]
Dieser Kurs führt die Studierenden durch die Grundlagen der Methoden des Reinforcement Learning bis hin zu den jüngsten Fortschritten des Deep Reinforcement Learning. Am Ende dieses Kurses werden die Studierenden über ein solides Wissen auf diesem Gebiet verfügen und in der Lage sein, Probleme mit verschiedenen RL Algorithmen zu lösen. Dieser Kurs dient als hervorragender Hintergrund für Personen, die selbstständig RL-forschung betreiben wollen, z.B. im Rahmen einer Bachelor- oder Masterarbeit.
Zusätzliche Informationen
Die Präsenzvorlesung wird von einer Online-Problemlösungssitzung (Kodierübungen) und einer Fragerunde begleitet.
Online-Angebote
moodle
- Lehrende: Georgia Chalvatzaki
- Lehrende: Davide Tateo
Semester: SoSe 2024