Applied Reinforcement Learning

Worum geht's

Du lernst praktische Methoden des Reinforcement Learning (RL) für sequenzielle Entscheidungsprobleme kennen und anzuwenden. Am Ende kannst Du typische RL-Szenarien modellieren, gängige Algorithmen implementieren und einfache Robotik-Aufgaben (e.g. auf dem e-Puck) mit RL lösen und beurteilen.

Was du danach kannst

• klassische RL-Szenarien beschreiben
• Grundprinzipien gängiger RL-Methoden erklären
• reale ingenieurwissenschaftliche Probleme mit RL modellieren
• Leistung verschiedener RL-Algorithmen praktisch vergleichen
• geeignete RL-Algorithmen auswählen und begründen
• RL-Algorithmen implementieren und auf e-Puck-Robotern anwenden

Aus was das Modul besteht

• Frontalunterricht (zweitägige/blöcke vor Semesterbeginn)Einführung in Grundlagen und Konzepte
• wöchentliche Tutorien (2 Std./Woche)Besprechung und Unterstützung der Gruppenprojekte
• ProjektarbeitEntwicklung, Implementierung und Demonstration von RL-Lösungen

Lehrmethode

• Frontalunterricht (Tafel und Folien)Vermittlung von Grundlagen und Konzepten
• Gruppen- und Einzel­diskussionenVertiefung und Anwendung von Definitionen und Beispielen
• Projektbetreuung in TutorienUnterstützung bei praktischer Umsetzung und Problemlösung