Mathematics of Reinforcement Learning

Worum geht's

Du lernst die mathematischen Grundlagen von Reinforcement Learning kennen: Markov-Entscheidungsprozesse (MDPs), tabellarische RL-Methoden wie Monte Carlo, Temporal Difference, SARSA und Q-Learning sowie Grundlagen der stochastischen Approximationsrechnung, um Konvergenzen dieser Algorithmen zu analysieren. Am Ende kannst Du dynamische Entscheidungsprobleme unter Unsicherheit als MDP formulieren und mit tabellarischen RL-Algorithmen lösen.

Was du danach kannst

• MDPs formulieren
• tabellarische Reinforcement-Learning-Algorithmen anwenden (Monte Carlo, TD, SARSA, Q-Learning)
• Grundlagen der stochastischen Approximationsrechnung verstehen
• Konvergenzanalysen der Algorithmen durchführen

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen und Konzepte
• ÜbungBearbeitung theoretischer und programmierorientierter Aufgaben zur Vertiefung; teilweise in Teamarbeit

Lehrmethode

• VorlesungEinführung und Erklärung der mathematischen Grundlagen
• ÜbungssitzungenErarbeitung von Aufgaben unter Anleitung zur Vertiefung und Praxis
• ProgrammieraufgabenAnwendung der Algorithmen und Verständnis durch Implementierung