zurück zur Suche

Approximate Dynamic Programming and Reinforcement Learning

EI7649Mastermodule6 ECTSEnglischWintersemesterDepartment Computer Engineering
KI-überarbeitetes Infoblatt. Auf Basis der TUMonline-Modulbeschreibung, sprachlich aufbereitet.Original in TUMonline

Worum geht's

Du lernst Methoden des Approximate Dynamic Programming (ADP) und Reinforcement Learning (RL) zur Lösung sequentieller Entscheidungsprobleme. Am Ende kannst du grundlegende Modelle und Algorithmen beschreiben, Ableitungen nachvollziehen sowie einfache ADP/RL-Methoden implementieren und auf einfache (z. B. robotische) Aufgaben anwenden.

Was du danach kannst

  • klassische Szenarien sequentieller Entscheidungsprobleme beschreiben
  • Grundmodelle von ADP/RL erklären
  • ADP-/RL-Algorithmen aus dem Kurs herleiten
  • Konvergenzeigenschaften der behandelten Algorithmen charakterisieren
  • Leistungsunterschiede der Algorithmen theoretisch und praktisch vergleichen
  • geeignete Algorithmen für konkrete Anwendungen auswählen
  • ADP/RL-Algorithmen konstruieren und implementieren

Aus was das Modul besteht

  • VorlesungVermittlung der theoretischen Grundlagen und Modelle
  • ÜbungEinüben und Vertiefen der Konzepte; behandelt teils neue Themen
  • TutoriumDiskussion der Aufgaben und Programmieraufgaben; Unterstützung bei deren Lösung

Lehrmethode

  • Frontalunterricht (Tafel, Beamer)Einführung in Theorie und Modelle
  • Gruppen- und EinzelbesprechungenErarbeiten von Definitionen und Konzepten anhand einfacher Beispiele
  • Übungs- und ProgrammieraufgabenPraxisorientiertes Anwenden der Vorlesungsinhalte

Termine

Vorlesung mit ÜbungApproximate Dynamic Programming and Reinforcement Learning2 Gruppen zur Wahl

  • ADo.13:15–14:450220, Hörsaal m. Exp.-Bühne (0502.EG.220)
    14× · 15.10.–04.02.
    • 15.10.
    • 22.10.
    • 29.10.
    • 05.11.
    • 12.11.
    • 19.11.
    • 26.11.
    • 10.12.
    • 17.12.
    • 07.01.
    • 14.01.
    • 21.01.
    • 28.01.
    • 04.02.
  • BMo.15:00–16:300220, Hörsaal m. Exp.-Bühne (0502.EG.220)
    14× · 19.10.–01.02.
    • 19.10.
    • 26.10.
    • 02.11.
    • 09.11.
    • 16.11.
    • 23.11.
    • 30.11.
    • 07.12.
    • 14.12.
    • 21.12.
    • 11.01.
    • 18.01.
    • 25.01.
    • 01.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Daten aus TUMonline anzeigen
Sprache
Englisch
Turnus
Wintersemester
Modulniveau
Master
Moduldauer
Einsemestrig
Gesamtstunden
180
Präsenzstunden
75
Eigenstudiumstunden
105
Organisationsname
Department Computer Engineering

Lehrveranstaltungen

  • Approximate Dynamic Programming and Reinforcement Learning
  • Approximate Dynamic Programming and Reinforcement Learning
  • Approximate Dynamic Programming and Reinforcement Learning - Fragestunde

Offizielle Seite in TUMonline · Angaben unverbindlich.