Introduction to Deep Reinforcement Learning

Worum geht's

Du lernst die Theorie und Grundlagen von Deep Reinforcement Learning (DRL) sowie relevante Deep‑Learning- und Reinforcement‑Learning-Konzepte. Am Ende kannst du Probleme als Markov Decision Processes modellieren, DRL‑Algorithmen verstehen und anwenden sowie deren Vor‑ und Nachteile beurteilen.

Was du danach kannst

• Grundlagen von Suchalgorithmen (Graph- und Baumsuche)
• Probleme als Markov Decision Process (MDP) modellieren
• Grundlagen des Reinforcement Learning (z. B. Q‑Learning, TD‑Learning)
• Grundlagen des Deep Learning (z. B. SGD, logistische Regression, neuronale Netze)
• Deep Reinforcement Learning verstehen (z. B. DQN, PPO)
• DRL‑Frameworks auf praktische Probleme anwenden
• Vor- und Nachteile von DRL‑Methoden bewerten
• Typische Fallstricke bei praktischen Anwendungen erkennen und umgehen

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen von Deep Reinforcement Learning
• ÜbungenAnwendung und Vertiefung des Vorlesungsinhalts
• Coding LabsPraktische Umsetzung und Implementierung von DRL‑Methoden

Lehrmethode

• VorlesungErklärung der theoretischen Konzepte
• ÜbungenPraktische Vertiefung und methodische Anwendung
• Coding LabsProgrammierung und Anwendung von DRL auf praxisnahe Probleme