zurück zur Suche
In 1 Stundenplänen von Kommilitonen
Du lernst moderne Methoden des Reinforcement Learning (RL) kennen und anzuwenden. Das Modul vermittelt sowohl die theoretischen Grundlagen (z. B. Markov-Entscheidungsprozesse, Monte-Carlo, Temporal Difference) als auch aktuelle Deep-RL-Verfahren (z. B. Q-Learning, DQN, Policy-Gradient-Methoden, PPO, Actor-Critic). Am Ende kannst Du reale Probleme als RL-Aufgaben formulieren und Lösungskonzepte in Python implementieren.
Aus dem laufenden Semester, unverbindlich.
Noch keine Bewertungen für dieses Modul.
Fülle nur die Kategorien aus, die du beurteilen kannst – je Kategorie entweder Sterne und Text zusammen oder gar nichts.
Bewertungen werden vor der Veröffentlichung automatisch geprüft.
Offizielle Seite in TUMonline · Angaben unverbindlich.