zurück zur Suche

Deep Reinforcement Learning

WIHN0033Wirtschaftswissenschaftliche Wahlmodule6 ECTSEnglischWintersemesterProfessur für Business Analytics (Prof. Xie) (TUM Campus Heilbronn)

In 1 Stundenplänen von Kommilitonen

KI-überarbeitetes Infoblatt. Auf Basis der TUMonline-Modulbeschreibung, sprachlich aufbereitet.Original in TUMonline

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

Termine

VorlesungDeep Reinforcement Learning - Lecture (WIHN0033)

ÜbungDeep Reinforcement Learning - Exercise (WIHN0033)

Aus dem laufenden Semester, unverbindlich.

Modulbewertungen

Noch keine Bewertungen für dieses Modul.

Modul bewerten

Fülle nur die Kategorien aus, die du beurteilen kannst – je Kategorie entweder Sterne und Text zusammen oder gar nichts.

Vorlesung
Übung
Prüfung

Bewertungen werden vor der Veröffentlichung automatisch geprüft.

Offizielle Seite in TUMonline · Angaben unverbindlich.