Introduction to Deep Reinforcement Learning

Worum geht's

Du lernst die Grundlagen und fortgeschrittene Methoden der Deep Reinforcement Learning (DRL). Am Ende kannst du Probleme als Markov Decision Process modellieren, gängige DRL‑Algorithmen verstehen und ein DRL‑Verfahren praktisch implementieren und evaluieren.

Was du danach kannst

• Grundkenntnisse zu Suchalgorithmen (Graph- und Baumsuche)
• Problemformulierung als Markov Decision Process (MDP)
• Fundiertes Wissen zu Reinforcement Learning (z. B. Q‑Learning, TD‑Learning)
• Grundlegende Kenntnisse in Deep Learning (z. B. SGD, logistische Regression, neuronale Netze)
• Vertieftes Wissen in Deep Reinforcement Learning (z. B. DQN, PPO)
• Anwendung eines DRL‑Frameworks auf ein praktisches Problem
• Bewertung von DRL‑Methoden hinsichtlich Vor- und Nachteilen
• Erkennen typischer Fallstricke bei praktischen Anwendungen und Strategien zu deren Vermeidung

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen von (Deep) Reinforcement Learning
• Übungen / Coding LabsAnwendung des Gelernten an praktischen Problemen durch Programmieraufgaben

Lehrmethode

• VorlesungenErklären der Theorie und Konzepte
• Übungen und Coding LabsPraktisches Einüben und Anwenden der Methoden