Deep Reinforcement Learning

Worum geht's

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.

Was du danach kannst

• Vertieftes Verständnis der Konzepte des Reinforcement Learning
• Erklärung klassischer Algorithmen (z. B. Q-Learning, SARSA, DQN, Policy Gradient)
• Modellierung realer Probleme als Reinforcement-Learning-Aufgaben
• Implementierung von RL-Lösungen in Python

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen und Illustration von Beispielen und Anwendungen
• Projekt/ÜbungPraxisorientierte Anwendung der gelernten Algorithmen in Gruppenarbeiten und Hausaufgaben

Lehrmethode

• VorlesungspräsentationenEinführung in Theorie und Demonstration von Beispielen
• Projektarbeit und HausaufgabenPraktische Anwendung und Vertiefung der Algorithmen durch Implementierung und Bericht
• Diskussionen/PräsentationenReflexion der Ergebnisse und kritische Auseinandersetzung in der Abschlusspräsentation